通过基于分子描述器的人工神经网络绘制可持续制冷剂混合物的可燃性空间

科学领域:

• 化学工程是化学工程的重要组成部分.
• 计算化学计算化学
• 环境科学 环境科学

背景情况:

• 欧盟法规要求逐步淘汰高GWP制冷剂,需要采用符合环境要求的替代品.
• 新兴的制冷剂混合物经常表现出增加的易燃性,这给安全带来了挑战.
• 传统的可燃性评估是耗时和费力的.

研究的目的:

• 开发一种快速可靠的选方法来评估新制冷剂混合物的易燃性.
• 使用人工神经网络 (ANN) 预测正常化可燃性指数 (NFI).
• 支持安全采用符合环境要求的制冷剂.

主要方法:

• 人工神经网络 (ANN) 模型的构建,评估和验证.
• 预测各种纯,二元和三元制冷剂混合物 (CO2,HFC,HFO,sHC,HO) 的NFI.
• 使用R2,RMSE,AARD%,SDR和AD分析模型性能;使用四级混合物进行外部验证.

主要成果:

• 最优的ANN配置 ([61×14×24×1]) 实现了高精度 (R2=0.999,RMSE=0.1735,AARD%=0.8091) 的使用.
• 标准化残留物和适用性领域证实了模型的一致性和控制.
• 确定了23个显著的sigma描述符 (COSMO衍生) 贡献了90.98%的预测.

结论:

• 开发的ANN是高效的,坚固的,并且可以适应模拟制冷剂可燃性.
• 该模型准确地预测了行业相关和未经测试的制冷剂混合物的行为.
• 这种人工智能驱动的方法有助于制冷行业遵守环境和安全标准.