Blog

Aug 06, 2023

Información sobre la estimación de tensiones superficiales de mezclas basadas en materiales verdes diseñables utilizando un esquema de aprendizaje conjunto

Scientific Reports volumen 13, Número de artículo: 14145 (2023) Citar este artículo 43 Accesos Detalles métricos La estimación precisa de las propiedades físicas tanto de los líquidos iónicos (LI) como de sus mezclas es

Scientific Reports volumen 13, número de artículo: 14145 (2023) Citar este artículo

43 Accesos

Detalles de métricas

La estimación precisa de las propiedades físicas de los líquidos iónicos (LI) y sus mezclas es crucial para que los ingenieros diseñen con éxito nuevos procesos industriales. Entre estas propiedades, la tensión superficial es especialmente importante. No sólo es necesario conocer las propiedades de los LI puros, sino también sus mezclas para garantizar una utilización óptima en una variedad de aplicaciones. En este sentido, este estudio tuvo como objetivo evaluar la efectividad del árbol Stochastic Gradient Boosting (SGB) en el modelado de tensiones superficiales de mezclas binarias de varios líquidos iónicos (IL) utilizando un conjunto de datos completo. El conjunto de datos comprendía 4010 puntos de datos experimentales de 48 IL diferentes y 20 componentes que no son IL, cubriendo un rango de tensión superficial de 0,0157 a 0,0727 N m-1 en un rango de temperatura de 278,15 a 348,15 K. El estudio encontró que los valores estimados estaban en buena concordancia con los datos experimentales informados, como lo demuestra un alto coeficiente de correlación (R) y un error absoluto relativo medio bajo, superior a 0,999 y inferior a 0,004, respectivamente. Además, los resultados del modelo SGB utilizado se compararon con los resultados de SVM, GA-SVM, GA-LSSVM, CSA-LSSVM, GMDH-PNN, tres ANN basadas, PSO-ANN, GA-ANN, ICA-ANN, Modelos TLBO-ANN, ANFIS, ANFIS-ACO, ANFIS-DE, ANFIS-GA, ANFIS-PSO y MGGP. En términos de precisión, el modelo SGB es mejor y proporciona desviaciones significativamente menores en comparación con las otras técnicas. Además, se realizó una evaluación para determinar la importancia de cada variable en la predicción de la tensión superficial, la cual reveló que el factor más influyente fue la fracción molar de LI. Al final, se utilizó el diagrama de William para investigar el rango de aplicabilidad del modelo. Como la mayoría de los puntos de datos, es decir, el 98,5% de todo el conjunto de datos, estaban dentro del margen de seguridad, se concluyó que el modelo propuesto tenía un alto dominio de aplicabilidad y sus predicciones eran válidas y confiables.

En los últimos años, ha habido un aumento del interés en los líquidos iónicos (LI) entre científicos, ingenieros, reguladores y responsables políticos de todo el mundo1. Estas sales fundidas, que consisten en cationes orgánicos y aniones orgánicos/inorgánicos, han ganado popularidad en diversas industrias como una nueva clase de compuestos para diversas aplicaciones. Debido a su estructura catiónica voluminosa y asimétrica2, los LI tienen una baja tendencia a formar cristales ordenados y, por lo tanto, permanecen en estado líquido a temperatura ambiente.

Las propiedades excepcionales de los LI, como sus buenas propiedades catalíticas, baja presión de vapor, no inflamabilidad, alta capacidad de solvatación para diversos compuestos orgánicos y alta estabilidad térmica y química, los convierten en alternativas sostenibles prometedoras a los materiales tradicionales en una amplia gama de procesos3,4 ,5. Los LI a menudo se denominan "materiales diseñables" porque sus propiedades pueden adaptarse a procesos específicos realizando modificaciones estructurales en el catión o anión6. En la actualidad, los IL se utilizan para diversas aplicaciones, incluidas, entre otras, procesos de recuperación mejorada de petróleo (EOR)7, procesos de extracción8,9,10,11, reacciones catalíticas12, procesos de separación13,14,15, electroquímica16, baterías de litio17, biomasa. conversión18, desulfuración19, disolución de carbón20, procesamiento de betún21,22, disolución de petróleo crudo23,24, disolución de asfaltenos25 y reducción de IFT de petróleo crudo/agua26.

Tener una comprensión integral de las propiedades químicas, físicas y termodinámicas de los LI o sus mezclas con otros compuestos es crucial, especialmente porque un porcentaje significativo de las aplicaciones industriales de los LI involucran mezclas27, como en los procesos EOR en yacimientos. Esto es de gran importancia tanto desde la perspectiva académica como industrial.

La tensión superficial es una propiedad física macroscópica crítica28 de los LI y sus mezclas relevantes. Desempeña un papel esencial en el diseño y operación adecuados de los próximos procesos industriales que involucran transferencia de masa, como la destilación, extracción y absorción3,29. En la industria petrolera, la tensión superficial es particularmente importante para diseñar fraccionadores, absorbedores, separadores, tuberías bifásicas y evaluar yacimientos30. Esto se debe a que afecta significativamente la transferencia de masa y calor en las interfaces31. Los lectores interesados ​​pueden consultar a Tariq et al.32, quienes brindan una explicación detallada de por qué la tensión superficial de los LI es crucial.

Debido al número infinito de sistemas posibles, no es práctico medir experimentalmente la tensión superficial de cada IL posible y su mezcla con otros compuestos. Además, las mediciones empíricas pueden ser costosas, consumir mucho tiempo y ser susceptibles a incertidumbres no despreciables33. Por lo tanto, es importante contar con un esquema confiable y potente para predecir la tensión superficial34, ya que las mediciones experimentales no siempre son factibles para todos los LI y sus mezclas con diversas sustancias.

Aunque ha habido algunos intentos de calcular la tensión superficial de LI puros utilizando diferentes métodos, hay pocos estudios disponibles en la literatura que se centren en predecir la tensión superficial de mezclas que contienen LI. Las revisiones realizadas por Tariq et al.32 y Gharagheizi et al.35 han explorado este tema. Sin embargo, Oliveira et al.3 utilizaron la ecuación de estado de la teoría estadística suave de fluidos asociados (soft-SAFT) y la teoría del gradiente de densidad (DGT) para modelar la tensión superficial de mezclas que contienen IL [Cnmim][NTf2] con diferentes longitudes de cadena alquílica. (n = 1, 2, 5, 6, 8 y 10). Cardona y Valderrama36 proponen un modelo basado en una ecuación de estado cúbica y en el concepto de similitud geométrica para calcular la tensión superficial de sustancias puras y mezclas que contienen sustancias orgánicas, agua y LI. El modelo se ha ampliado a mezclas binarias y ternarias utilizando mezclas simples y combinando reglas de mezcla sin parámetros de interacción, por lo que las capacidades predictivas del modelo están garantizadas. Las mezclas están compuestas de disolvente orgánico + IL y agua + IL. Los métodos de ecuaciones de estado (EOS) solo son aplicables a sistemas para los que han sido calibrados. Normalmente, los modelos EOS se basan en parámetros ajustables que deben optimizarse en función de puntos de datos experimentales. Sin datos experimentales y parámetros calibrados, no se puede confiar plenamente en estos modelos y el proceso de calibración puede llevar mucho tiempo y ser complejo37. Por tanto, es fundamental centrarse en desarrollar y utilizar modelos generales capaces de predecir las propiedades termofísicas de estos sistemas en general, y la tensión superficial en particular.

Durante los últimos años, los métodos de computación blanda han atraído la atención de los investigadores en virtud de su capacidad para modelar y abordar cuestiones difíciles que antes eran problemáticas o poco prácticas de resolver38. En el campo de los LI, varios grupos alrededor del mundo han realizado varios estudios sobre la aplicación de las Redes Neuronales Artificiales (RNA) para predecir las propiedades de los LI y sus mezclas relacionadas, como la conductividad térmica de líquidos iónicos39, la solubilidad del dióxido de carbono supercrítico en IL40, conductividad eléctrica ternaria de sistemas IL41, puntos de burbuja de sistemas ternarios que involucran IL42, viscosidad de mezclas ternarias que contienen IL43, capacidad calorífica binaria de mezclas que contienen IL44 y punto de fusión de IL45. Además, los artículos publicados recomendados son46,47; para más aplicaciones de diferentes enfoques de aprendizaje automático en el campo de las IL.

Los investigadores han empleado varios métodos de computación blanda para predecir la tensión superficial de los IL puros. Por ejemplo, Lazzús et al.48 utilizaron un método de contribución grupal basado en RNA para estimar los valores de tensión superficial de IL puros, mientras que Atashrouz et al.49 desarrollaron un modelo matemático utilizando máquinas de vectores de soporte de mínimos cuadrados (LSSVM) para predecir los valores de tensión superficial de IL puros. Obaid et al.50 utilizaron AdaBoost con diferentes modelos base, incluida la regresión del proceso gaussiano (GPR), la regresión del vector de soporte (SVR) y el árbol de decisión (DT) para predecir la tensión superficial de diferentes IL. Una revisión de la literatura actual revela que solo hay unos pocos estudios que han utilizado diferentes técnicas de computación suave para predecir valores de tensión superficial para sistemas binarios que contienen IL. Estos métodos se analizarán en detalle a continuación.

Soleimani y sus colegas46 utilizaron modelos de máquina de vectores de soporte (SVM) y LSSVM combinados con recocido simulado acoplado (CSA) y algoritmo genético (GA) para predecir la tensión superficial de mezclas binarias que constan de 31 mezclas de IL diferentes y 748 puntos de datos. Los parámetros de entrada de sus modelos incluían temperatura, propiedades IL y propiedades no IL. Descubrieron que el modelo CSA-LSSVM superaba a otros modelos en términos de parámetros estadísticos. En otra investigación51, utilizaron un modelo de ANN basado en los mismos puntos de datos y parámetros de entrada. Su modelo predijo con precisión la tensión superficial en términos de análisis estadístico. Con base en el mismo conjunto de datos y variables de entrada, Setiawan et al.33 sugirieron diferentes RNA disciplinadas por cuatro algoritmos de optimización, a saber, optimización basada en la enseñanza-aprendizaje (TLBO), optimización de enjambre de partículas (PSO), GA y algoritmo competitivo imperialista (ICA). , para estimar la tensión superficial de las mezclas binarias de IL. Atashrouz et al.52 utilizaron modelos GA-LSSVM, GA-SVM y Group Method of Data Handling Polynomial Neural Network (GMDHPNN) para estimar la tensión superficial de mezclas binarias que contienen IL basándose en 573 puntos de datos y 28 mezclas diferentes. Sus datos de entrada incluyeron temperatura y propiedades de iónicos y no-IL. Concluyeron que los modelos GA-LSSVM y GA-SVM tenían una mejor capacidad de predicción en comparación con el modelo GMDH-PNN. Lashkarbolooki53 utilizó un modelo ANN basado en 836 puntos de datos y 32 mezclas diferentes. Los parámetros de entrada del modelo incluyeron temperatura, temperatura de fusión, fracción molar y peso molecular de IL iónicos y no LI. Shojaeian y Asadizadeh54 propusieron un modelo ANN para predecir la tensión superficial de mezclas binarias que contienen IL basándose en 1537 puntos de datos relacionados con 33 mezclas binarias. En su estudio, se desarrollaron varios enfoques utilizando propiedades físicas como temperatura, temperatura reducida, temperatura crítica, presión crítica, volumen crítico, peso molecular, factor acéntrico y factor de compresibilidad crítico, junto con dos reglas de mezcla distintas, como parámetros de entrada. Además, utilizaron cinco métodos inteligentes diferentes, incluido el sistema de inferencia neurodifusa adaptativa (ANFIS), ANFIS optimizado con optimización de colonias de hormigas (ANFIS-ACO), ANFIS optimizado con evolución diferencial (ANFIS-DE), ANFIS optimizado por GA (ANFIS -GA), y ANFIS optimizado por PSO (ANFIS-PSO), para predecir los valores de tensión superficial para las mezclas binarias de interés. Luego, los resultados se compararon con los obtenidos utilizando un modelo ANN, que resultó tener el mayor nivel de precisión en comparación con los otros cinco modelos basados ​​en ANFIS. Esmaeili y Hashemipour55 utilizaron la programación genética multigénica (MGGP) para desarrollar correlaciones para predecir la tensión superficial en mezclas binarias que contienen IL basándose en 1414 datos relacionados con 37 mezclas binarias que se han recopilado de la literatura. Presentaron dos correlaciones para predecir la tensión superficial de la mezcla IL y no IL usando solo la temperatura y la fracción molar del componente IL.

A pesar de los esfuerzos por crear modelos precisos, la revisión de la literatura reveló que hay una cantidad mucho mayor de datos experimentales de tensión superficial disponibles para mezclas binarias que contienen IL que los utilizados en estudios anteriores. Por lo tanto, es crucial realizar una búsqueda bibliográfica exhaustiva para recopilar una base de datos completa de valores experimentales de tensión superficial, lo cual es necesario para desarrollar un modelo predictivo integral.

En los últimos años, el modelo de árbol de aumento de gradiente (GB) desarrollado por Friedman et al.56 se ha convertido en una de las metodologías potentes para la minería de datos predictivos. El concepto de algoritmo para árboles GB se basa en la aplicación del método de impulso a los árboles de regresión. Una nueva versión del modelo GB Tree denominada modelo de árbol de aumento de gradiente estocástico (SGB), presentada por Friedman57, que atrae a las comunidades científicas y a los ingenieros debido a que goza de varios méritos, por ejemplo, funciona eficazmente en grandes conjuntos de datos, es rápido y relativamente simple, fácil de usar y que requiere el ajuste de algunos parámetros. La capacidad de capturar asociaciones no lineales entre las entradas y el objetivo es una de las principales fortalezas de este modelo heurístico mejorado, debido a la compleja estructura inherente de los datos del mundo real. Además, este prometedor esquema de aprendizaje automático es robusto ante valores atípicos variables, colinealidad variable y datos faltantes. Los modelos basados ​​en árboles de regresión impulsados ​​han funcionado y se han aplicado bien en varios dominios de estudio, como la predicción de la presión mínima de miscibilidad del dióxido de carbono-aceite, la predicción de la solubilidad del dióxido de carbono en polímeros58, la estimación de la tensión interfacial para el almacenamiento geológico de dióxido de carbono59, la predicción de la solubilidad del dióxido de carbono en soluciones acuosas de aminas60 ,61.

Hasta donde sabemos, no existe ningún estudio sobre la aplicación de la predicción de las propiedades de la tensión superficial de mezclas de LI utilizando enfoques basados ​​en DT. Por lo tanto, por primera vez, este estudio presentará un esquema SGB para predecir valores binarios de tensión superficial de sistemas IL utilizando un conjunto de datos completo de 4010 valores experimentales de tensión superficial de mezclas binarias que contienen IL. Además, compararemos el rendimiento del esquema SGB con 18 modelos computacionales comúnmente utilizados. Además, se evalúa la efectividad de cada una de las variables de entrada sobre la salida del modelo SGB, es decir, la tensión superficial. Finalmente, se emplea un método de diagnóstico de valores atípicos para examinar cualquier dato experimental ambiguo o inconsistente.

Todos los datos recopilados (4010 valores binarios de tensión superficial) para crear el modelo de árbol SGB tomados de la base de datos de referencia estándar del NIST62 cubren temperaturas entre 278,15 y 348,15 K donde la presión se mantuvo constante en condiciones atmosféricas. En total, los puntos de datos cubren 122 mezclas binarias distintas que comprenden 48 IL diferentes y 20 componentes distintos de IL (agua y 19 compuestos orgánicos diferentes). La información detallada sobre mezclas binarias, IL y componentes no IL se presenta en la información complementaria (Tabla S1).

Para crear el modelo SGB con capacidades de estimación satisfactorias de la tensión superficial para mezclas binarias de IL, se tuvieron en cuenta algunas variables independientes. Existen diversos factores interrelacionados que afectan la tensión superficial de las mezclas binarias de IL. La relación que modela la interdependencia entre la tensión superficial para las mezclas binarias y los factores independientes elegidos basándose en artículos publicados anteriormente46,51, es decir, la temperatura (\(T\)), la fracción molar de los LI (\({x} _{IL}\)), peso molecular de IL (\({Mw}_{IL}\)) y densidad de IL (\({\rho }_{IL}\)) junto con el punto de ebullición (\ ({Tb}_{non-IL}\)) y el peso molecular (\({Mw}_{non-IL}\)) del componente no IL, se expresa como46,51:

Stochastic Gradient Boosting (SGB) es una rama novedosa del tradicional Gradient Boosting (GB) desarrollada por Friedman57. Para mejorar la precisión y la velocidad de ejecución del GB con el objetivo de mejorar el rendimiento general63,64,65, SGB fusiona la aleatorización en el proceso, que es el principio central detrás del método de ensacado de Breiman66. Se han demostrado aplicaciones exitosas de este método competente en muchos dominios de la literatura46,58,59,60,61,67,68,69,70,71,72,73,74.

El aumento de gradiente (GB) es un método de conjunto que transforma hipótesis débiles en hipótesis fuertes minimizando la pérdida del modelo mediante un procedimiento similar a un descenso de gradiente. GB toma una colección de alumnos débiles, como árboles de decisión, y los agrega al modelo para evitar un sobreajuste. Los árboles se crean por etapas y los futuros alumnos débiles se centran más en ejemplos que los anteriores clasificaron erróneamente. El resultado final del modelo se mejora agregando el resultado del árbol actualizado al resultado de la secuencia de árboles existente.

El procedimiento de capacitación empleado en SGB se puede examinar a través del diagrama de flujo que se muestra en la Fig. S1, que ilustra que en lugar de proporcionar todas las instancias de capacitación a un árbol, solo una fracción de estas instancias se usa para la capacitación, seleccionada mediante muestreo sin reemplazo. Luego, los datos muestreados se utilizan para entrenar un árbol utilizando solo una fracción muestreada aleatoriamente de las características disponibles para dividir. Una vez entrenado un árbol, se realizan sus predicciones y se calculan los errores residuales. Estos errores residuales se multiplican por la tasa de aprendizaje eta (\(\eta\)) y se envían al siguiente árbol del conjunto. Este proceso se repite secuencialmente hasta que todos los árboles del conjunto estén entrenados. Para predecir la salida de una nueva instancia en el aumento de gradiente estocástico, se sigue un procedimiento similar al del aumento de gradiente.

En este estudio, los algoritmos SGB se han ejecutado basándose en las instrucciones proporcionadas en los trabajos de Friedman57,63. Se puede encontrar información adicional sobre los aspectos matemáticos del modelo SGB en la literatura57,63,75,76,77.

El estudio actual utilizó el modelo de árbol SGB para predecir la tensión superficial de mezclas binarias de IL, como se mencionó anteriormente. Es crucial establecer cuidadosamente los hiperparámetros para garantizar la máxima capacidad de generalización del modelo SGB. Entre estos parámetros, la tasa de aprendizaje (η) tiene un impacto significativo en el resultado final. A través de un extenso proceso de prueba y error, se encontró que el valor óptimo de η era 0,57. El rendimiento del modelo mejora cuando se utiliza un valor de η de 0,57, como se muestra en la Fig. S2, lo que da como resultado un valor de error absoluto relativo medio (MRAE) más bajo de 0,0039888.

La Figura S3 muestra los valores de MSE para los conjuntos de datos de entrenamiento y prueba trazados en función del número de árboles. Las etapas iniciales muestran una rápida estabilización de las tasas de error. Sin embargo, a medida que se agregan más árboles, los valores de MSE para los datos de prueba comienzan a aumentar después de alcanzar un valor de error mínimo. Esto indica el número óptimo de árboles para evitar el sobreajuste, como lo muestra la línea verde horizontal. Se determinó que el número óptimo de árboles en este estudio era 2976.

Se emplearon varios criterios para evaluar la precisión del rendimiento del método del árbol SGB. Los resultados del análisis estadístico se midieron en términos de varios parámetros, incluido el error cuadrático medio (MSE), el error cuadrático medio (RMSE), el error cuadrático medio (MAE), el error cuadrático medio relativo (MRSE), el error cuadrático medio relativo (MRAE) , Error absoluto relativo (RAE), Coeficiente de correlación (R), Factor de sesgo (Bf) y Factor de precisión (Af). Estos parámetros se calcularon utilizando las Ecs. (2)–(10) como se describe en las referencias51,78.

donde \({y}^{exp}. {y}^{pre}\) y \(\overline{y }\) son el valor experimental, la salida prevista y el valor promedio, respectivamente.

Los gráficos de regresión se pueden utilizar para validar modelos, y la Fig. 1 en particular muestra las líneas de regresión, las ecuaciones, los valores de R cuadrado y la línea de 45° para los conjuntos de datos de entrenamiento y de prueba. El valor de R cuadrado indica qué tan bien están relacionados los resultados del modelo y los valores experimentales, con un valor de R cuadrado de 1 que indica una relación lineal exacta y un valor de R cuadrado cercano a cero que indica que no hay relación lineal. La fórmula para calcular R-cuadrado viene dada por la ecuación. (8) al cuadrado. Se puede observar que las estimaciones del árbol SGB tienen baja dispersión, con valores altos de R cuadrado de 0,99988 y 0,99274 para entrenamiento y prueba, respectivamente. Las ecuaciones (11) a (13) son las ecuaciones de regresión lineal resultantes para todo el conjunto de datos, así como para los subconjuntos de entrenamiento y prueba.

Diagrama de dispersión del método de árbol SGB.

El modelo SGB proporcionó predicciones muy precisas de la tensión superficial de mezclas binarias, como lo indica el valor de la pendiente cercano a 1 y la intersección con un valor insignificante.

Otro aspecto crucial de la creación de un modelo predictivo preciso es la capacidad del modelo para estimar con precisión los datos experimentales de tensión superficial binaria, tanto sobreestimando como subestimando, en una variedad de variaciones de parámetros de entrada. La Figura 2 ilustra los gráficos de tendencias de los valores predichos de SGB y los puntos de datos experimentales para cinco sistemas binarios diferentes seleccionados, incluidos el fosfato de tributilo y el hexafluorofosfato de 1-butil-3-metilimidazolio, el 1-butan-ol y el L-lactato de 1-butil-3-metilimidazolio. , tetrahidrofurano y bis(trifluorometilsulfonil)imida de 1-butil-3-metilimidazolio, agua y tetrafluoroborato de 1-butilpiridinio, y dimetilsulfóxido y bis(trifluorometilsulfonil)imida de 1-butil-3-metilimidazolio. Esta figura demuestra que el modelo desarrollado puede predecir con precisión el impacto de varios parámetros de entrada en la tensión superficial de las mezclas binarias estudiadas. Como tal, el modelo desarrollado exhibe una excelente capacidad para predecir el comportamiento de datos experimentales sobre parámetros de entrada relacionados. Otra observación que se puede hacer en la Fig. 5 es que el comportamiento de la tensión superficial de una mezcla que consiste en IL cambia a medida que varía la fracción molar de IL. Por ejemplo, en la mezcla de fosfato de tributilo y hexafluorofosfato de 1-butil-3-metilimidazolio, L-lactato de butan-1-ol y 1-butil-3-metilimidazolio, tetrahidrofurano y bis(trifluorometilsulfonil)imida de 1-butil-3-metilimidazolio, la tensión superficial aumenta a medida que aumenta la fracción molar de IL. Por el contrario, en las mezclas de agua y tetrafluoroborato de 1-butilpiridinio, la tensión superficial inicialmente disminuye con un aumento en la fracción molar de IL, pero a medida que la concentración de IL continúa aumentando, el efecto de agregar más IL se vuelve menos significativo.

Diagrama de tensión superficial (\(\sigma\)) de la mezcla binaria (a) tributilfosfato y hexafluorofosfato de 1-butil-3-metilimidazolio, (b) butan-1-ol y L-lactato de 1-butil-3-metilimidazolio, (c) tetrahidrofurano y bis(trifluorometilsulfonil)imida de 1-butil-3-metilimidazolio, (d) agua y tetrafluoroborato de 1-butilpiridinio, y (e) sulfóxido de dimetilo y bis(trifluorometilsulfonil)imida de 1-butil-3-metilimidazolio como función de temperatura (T) y concentración del componente IL (x, IL).

Como se mencionó, para garantizar que el modelo SGB pueda generalizarse, el conjunto de datos recopilado se dividió en dos segmentos: el conjunto de entrenamiento y el conjunto de prueba. El conjunto de entrenamiento se utilizó para ajustar el modelo SGB, mientras que el conjunto de prueba proporcionó una evaluación imparcial de la precisión del modelo. La Tabla 1 presenta los índices de error clave, incluidos MSE, RMSE, MAE, MRAE, MRSE, R, R2, Bf y Af, tanto para los subconjuntos de entrenamiento como de prueba del modelo de árbol SGB, así como para todos los conjuntos de datos. Los resultados de la Tabla 1 indican que el modelo de árbol SGB puede predecir con precisión la tensión superficial de mezclas binarias IL. Por ejemplo, considerando todos los puntos de datos, se obtuvo un Bf de 1,0002301, lo que indica que las predicciones fueron un 0,02301% mayores que los valores experimentales, mientras que un Af de 1,0039883 significa que, en promedio, el valor predicho es un 0,39883% diferente (ya sea menor o mayor) de el valor experimental. Estos resultados demuestran la precisión aceptable del modelo de árbol SGB para determinar la tensión superficial de 122 mezclas binarias distintas en diferentes condiciones. Por lo tanto, con base en los resultados satisfactorios obtenidos, se puede concluir que el modelo de árbol SGB es un método confiable para predecir la propiedad física esencial de la tensión superficial para mezclas binarias de IL. Los lectores interesados ​​pueden consultar las referencias78,79,80 para obtener análisis detallados de estas estadísticas; en el caso de cuestiones de estimación; varios parámetros estadísticos también se revisan en las referencias81,82.

La frecuencia acumulada de errores versus RAE% se muestra en la Fig. 3. El valor máximo de RAE% es 17,06 y casi el 92,69% de los puntos de datos tienen errores inferiores al 1% para predecir valores de tensión superficial de mezclas binarias que contienen IL utilizando el SGB. modelo. Además, solo 4 de los 4010 puntos de datos tienen errores superiores al 10%, lo que significa que el 99,90% de todo el conjunto de datos tiene errores inferiores al 10% para la predicción objetivo de interés. Este análisis estadístico indica que el modelo de árbol SGB se encuentra en un estado satisfactorio y es una herramienta precisa y confiable para predecir los valores de tensión superficial de las mezclas binarias estudiadas.

Frecuencia acumulada versus error absoluto relativo del modelo SGB para predecir la tensión superficial de mezclas binarias que incluyen IL.

El algoritmo SGB proporciona la influencia relativa de cada variable en la salida del modelo, lo cual es un beneficio inherente al árbol de decisión. La influencia de las variables se basa en promediar la cantidad que se decide dividir cada variable, ponderada por la mejora al cuadrado del modelo como consecuencia de cada división83. La Figura 4 ilustra gráficos de barras que muestran las puntuaciones de importancia para cada atributo, de modo que la variable más importante que tiene la puntuación más alta asigna un valor de 1 y luego escala las demás en consecuencia. Según los hallazgos presentados en la Fig. 4, parece que el modelo SGB muestra una mayor sensibilidad a los cambios en la fracción molar (\({x}_{IL}\)) al predecir la tensión superficial para mezclas binarias que contienen IL. Esta observación es consistente con los resultados reportados por Esmaeili y Hashemipour55, quienes utilizaron el método Pearson para evaluar la eficacia de varios parámetros en este contexto. Las variables de \({MW}_{non-IL}.{ MW}_{IL}. {\rho }_{IL}. {Tb}_{non-IL} y T\) toman el segundo, tercer , cuarto, quinto y sexto lugar de sensibilidad, respectivamente.

Gráfico de la importancia de cada variable predictiva para la predicción de la tensión superficial de mezclas binarias que contienen IL.

Para llevar a cabo una investigación exhaustiva sobre la tensión superficial de mezclas binarias que contienen IL utilizando el modelo SGB, se realizó un análisis de sensibilidad para determinar cómo los parámetros de entrada como \(T\), \({x}_{IL}\) , \({Mw}_{IL}\), \({\rho }_{IL}\), \({Tb}_{non-IL}\) y \({Mw}_{non- IL}\) afectan la tensión superficial. Se utilizó el coeficiente de correlación de Pearson (\({r}_{p}\)) para medir el impacto de cada parámetro en la tensión superficial, con valores que oscilan entre − 1 y + 1. Un valor cercano a + 1 indica una fuerte relación positiva. entre dos variables, y ambas aumentan juntas, mientras que un valor cercano a −1 indica una fuerte relación negativa en la que una disminuye a medida que la otra aumenta. Un valor de 0 indica que no hay relación entre las variables. El valor absoluto del \({r}_{p}\) más alto entre cualquier variable de entrada y la variable de salida indica la influencia más significativa en el parámetro dependiente. Se utilizó la siguiente ecuación para calcular los valores de \({r}_{p}\):

donde \({y}_{i}\), \(\overline{y }\) , \({x}_{i}\) y \(\overline{x }\) denotan la iésima salida, promedio de producción, i-ésimo insumo y promedio de insumos, respectivamente.

Los valores de \({r}_{p}\) para los parámetros de entrada para el modelo SGB se muestran en la Fig. 5. Los resultados muestran los impactos negativos de \(T\), \({Mw}_{IL} \), \({\rho }_{IL}\), \({Tb}_{non-IL}\) y \({Mw}_{non-IL}\) en la tensión superficial del binario mezclas que contienen IL. El \({x}_{IL}\) tiene el mayor y positivo impacto en la tensión superficial de mezclas binarias con un \({r}_{p}\) de 0.32280 mientras que la variable de T es el parámetro menos efectivo con el \({r}_{p}\) de − 0.00006.

Los valores rp de los parámetros de entrada.

Hashemkhani et al.46 utilizaron 748 puntos de datos experimentales para predecir la tensión superficial de mezclas binarias que incluían IL utilizando métodos basados ​​en SVM. Realizaron un estudio para optimizar los tres parámetros del algoritmo SVM para predecir la tensión superficial. Esto se hizo utilizando un enfoque definido por el usuario basado en conocimientos y experiencia previos. Además, se utilizaron algoritmos GA y CSA para encontrar una combinación mejorada de los dos hiperparámetros integrados en el modelo LSSVM. El objetivo era maximizar el rendimiento de generalización del modelo LSSVM en la predicción de la tensión superficial. Al emplear estas técnicas de optimización, los investigadores intentaron mejorar la precisión y eficacia del modelo LSSVM para la predicción de la tensión superficial. Con el mismo conjunto de datos, se propuso un modelo ANN51 con una estructura que contiene doce neuronas en sus capas ocultas y entrenada por la función trainbr con el fin de predecir la tensión superficial de mezclas binarias. La Tabla 2 muestra los valores R y MRAE calculados para el modelo SGB, tres modelos basados ​​en SVM, es decir, los modelos SVM, GA-LSSVM y CSA-LSSVM, así como el modelo ANN. Debido a valores más altos de R y valores más bajos de MRAE, el modelo SGB supera a los enfoques heurísticos mencionados en la predicción de la tensión superficial de las mezclas binarias estudiadas y muestra mejores resultados. Otro punto a considerar es que el SGB no sólo genera resultados más precisos, sino que también cubre un conjunto de datos más completo. Fue creado en base a un gran conjunto de datos de 4010 puntos, que cubre un rango de tensión superficial de 0,0157 a 0,0727 N m-1 y un rango de temperatura de 278,15 a 348,15 K. Este conjunto de datos comprende 122 sistemas binarios, con 20 componentes que no son IL. y 48 componentes IL. Por otro lado, ANN, SVM, GA-LSSVM y CSA-LSSVM se crearon en base a un conjunto de datos más pequeño de 748 puntos, que cubre 31 sistemas binarios, con 9 componentes que no son IL y 15 componentes IL. Este conjunto de datos cubre un rango de tensión superficial de 0,0157 a 0,07135 N m-1 y un rango de temperatura de 283,1 a 348,15 K.

Además, para comparar el modelo SGB con los modelos ANN53, SVM46, CSA-LSSVM46 y GA-LSSVM46 basados ​​en 21 mezclas binarias diferentes estudiadas que eran comunes en estos modelos, se calculó el MRAE en porcentaje para cada sistema binario. Cabe mencionar que en lugar de \({Tb}_{non-IL}\) y \({\rho }_{IL}\), el punto de fusión de los componentes IL y no IL se introdujo como variables de entrada del modelo para el modelo ANN propuesto por Lashkarbolooki53. Sugirió un modelo ANN para la predicción binaria de la tensión superficial, que comprendía una capa oculta con 16 neuronas basadas en 836 puntos de datos binarios de tensión superficial obtenidos dentro de un rango de temperatura de 278,15 a 348,1 K, e incluye un total de 11 IL y 11 no IL, lo que da como resultado 32 sistemas binarios IL/no IL. La red fue entrenada mediante la función trainlm con 836 puntos de datos recopilados. La Tabla 3 muestra obviamente que el modelo SGB propuesto supera a los demás en términos de MRAE%.

Además, los valores de% de MRAE calculados de tres modelos basados ​​en redes neuronales (NN) y SVM, a saber. GMDH-PNN, GA-SVM y GA-LSSVM propuestos por Atashrouz et al.52, así como el modelo SGB para 13 mezclas binarias diferentes que eran comunes en estos modelos, se tabulan en la Tabla 4. Como se muestra, está claro que El modelo SGB presentado en este documento tiene el% de MRAE más pequeño en promedio para las mezclas binarias investigadas comunes. Vale la pena señalar que en lugar de \({MW}_{IL}. {MW}_{non-IL}.{Tb}_{non-IL}\) y \({\rho }_{IL} \), tensión superficial de componentes puros introducida como variables de entrada en los modelos de Atashrouz et al.52. También vale la pena destacar que Atashrouz y colegas52 desarrollaron dos modelos separados utilizando diferentes conjuntos de datos; uno para LI mezclados con agua y otro para LI mezclado con compuestos orgánicos. Por el contrario, el modelo SGB propuesto en este estudio es un modelo unificado que cubre ambos sistemas binarios, incluidos IL mezclados con agua y 19 compuestos orgánicos diferentes. Esto indica que el modelo SGB tiene una aplicabilidad más amplia y es más completo que los modelos anteriores desarrollados por Atashrouz et al.52. Además, cabe destacar que el modelo propuesto por Atashrouz et al.52 se construyó utilizando 573 puntos de datos binarios de tensión superficial que se recopilaron dentro de un rango de temperatura de 283,15 a 342,8 K y que cubrían un rango de valores de tensión superficial de 0,0218 a 0,07160. NM-1. Los modelos incluyen 20 IL y 8 no IL, lo que da como resultado un total de 28 sistemas binarios IL/no IL.

Además, la capacidad del modelo SGB para predecir la tensión superficial de mezclas en este estudio también se comparó con los modelos ANN optimizados con los algoritmos GA, PSO, ICA y TLBO propuestos por Setiawan y colegas33 en términos de R2 y MSE. valores reportados en la Tabla 5. Como se puede ver en la Tabla 5, el modelo SGB da mejores resultados que los modelos PSO-ANN, GA-ANN, ICA-ANN y TLBO-ANN. El conjunto de datos y los parámetros de entrada utilizados en el estudio de Setiawan et al.33 fueron idénticos a los de la investigación de Hashemkhani et al.46.

Además, se realizó una comparación entre el modelo SGB y el modelo MGGP55 en términos de su capacidad para predecir la tensión superficial de 9 sistemas binarios que estaban presentes en ambos modelos. La Tabla 6 enumera los valores de% de MRAE para ambos modelos, y los resultados sugieren que las predicciones de tensión superficial del modelo SGB propuesto tienen una mejor concordancia con los datos experimentales en comparación con el modelo MGGP. Cabe señalar que el modelo MGGP se desarrolló utilizando un conjunto de datos que contiene 1414 puntos de datos, que pertenecen a 37 sistemas binarios e incluye 10 componentes que no son IL y 20 componentes IL. Este conjunto de datos cubre un rango de temperatura que abarca desde 278,15 hasta 348,15 K.

Finalmente, la Tabla 7 presenta una comparación de los valores de MSE de seis modelos desarrollados por Shojaeian y Asadizadeh54, incluidos ANFIS, ANFIS-ACO, ANFIS-DE, ANFIS-GA, ANFIS-PSO y ANN, con el modelo SGB. Los autores utilizaron 1537 puntos de datos de 33 mezclas binarias que comprenden 15 componentes únicos de IL y 11 sustancias individuales que no son IL para predecir la tensión superficial en un rango de temperatura de 278,15 a 338,15 K, con un rango de tensión superficial de 0,0189 a 0,0727 NM-1. Para preparar los parámetros de entrada, utilizaron propiedades físicas como temperatura, temperatura reducida, temperatura crítica, presión crítica, volumen crítico, peso molecular, factor acéntrico y factor de compresibilidad crítico, así como dos reglas de mezcla diferentes. Los modelos ANN propuestos por Shojaeian y Asadizadeh tenían una capa oculta con 10 neuronas y utilizaban la función de entrenamiento trainlm. En los modelos basados ​​en ANFIS, se introdujeron los algoritmos ACO, DE, GA y PSO para obtener los parámetros óptimos. La Tabla 7 muestra que el modelo SGB es más preciso y superior tanto al modelo ANN como a los cinco modelos basados ​​en ANFIS propuestos por Shojaeian y Asadizadeh54.

La detección de valores atípicos es crucial en el desarrollo de modelos matemáticos84. Los valores atípicos se refieren a observaciones que se desvían de la mayor parte de los datos obtenidos en las mismas condiciones84,85. Es común encontrar valores atípicos o datos dudosos en proyectos que involucran la recopilación de datos, y esto es especialmente cierto para conjuntos de datos grandes como el utilizado en este estudio. Además de los errores en las mediciones experimentales, los errores en el ingreso de datos también pueden contribuir a la presencia de valores atípicos, particularmente cuando los datos se registran manualmente86. Para desarrollar modelos predictivos confiables, es esencial contar con datos precisos de pruebas experimentales87. Sin embargo, incluso si los datos se obtienen de fuentes acreditadas, los errores en las mediciones experimentales pueden afectar la capacidad de predicción del modelo. Eliminar posibles valores atípicos puede mejorar el rendimiento del modelo, pero esto requiere una técnica novedosa para identificarlos. El enfoque de apalancamiento se utiliza en este estudio para evaluar la calidad de los puntos de datos experimentales y determinar el rango de aplicabilidad del mejor modelo.

El enfoque de apalancamiento implica el uso de una matriz hat (H) para calcular los índices hat o el apalancamiento de puntos de datos de la siguiente manera84,85,88,89:

La ecuación dada utiliza una matriz bidimensional X con N filas (que representan los puntos de datos) y k columnas (que representan los parámetros del modelo), junto con un multiplicador de transposición t. Los valores hat de los datos están representados por los componentes diagonales de la matriz H, que se obtienen utilizando la ecuación. (15). Estos valores H se utilizan luego en un diagrama de Williams para identificar visualmente puntos de datos atípicos y sospechosos, así como para determinar la correlación entre los índices H y los residuos estandarizados. Un gráfico de Williams es esencialmente un gráfico que traza residuos estandarizados frente a valores de sombrero y se puede utilizar para diferenciar datos válidos, datos sospechosos y datos fuera de apalancamiento. Los residuos estandarizados (SR), también conocidos como residuos de validación cruzada, se calculan para cada punto de datos utilizando la siguiente fórmula89:

El índice hat del iésimo punto de datos se denota por Hii en la ecuación anterior.

El enfoque de apalancamiento utiliza un parámetro de apalancamiento de advertencia (\({\mathrm{H}}^{*}\)) para aceptar o rechazar resultados y mediciones del modelo. Este parámetro se determina mediante la ecuación H = 3(k + 1)/N. Normalmente, se utiliza un valor de apalancamiento de 3 como umbral, lo que indica que los datos aceptables deben estar dentro del rango de -3 a +3 desviaciones estándar de la media. Estos límites se ilustran con dos líneas rojas en la Fig. 6. Si la mayoría de los puntos de datos se encuentran dentro de los rangos de \(0 \le {H}_{ii}\le {\mathrm{H}}^{*}\ ) y \(-3 \le {SR}_{i} \le 3\), se puede concluir que el modelo y sus predicciones son válidos y confiables, y que los datos experimentales utilizados para desarrollar el modelo también son confiables y válido84,89.

El diagrama de Williams del modelo SGB para predecir la tensión superficial de mezclas binarias que contienen IL.

Según la Fig. 6, se puede ver que solo una pequeña porción (1,5%) de los puntos de datos fueron marcados como sospechosos. Por lo tanto, se puede inferir que el modelo propuesto es altamente aplicable, confiable, preciso y estadísticamente válido, ya que la mayoría de los puntos de datos se encuentran dentro de los rangos especificados de H y R.

La capacidad del modelo de árbol SGB para manejar 122 tipos diferentes de sistemas binarios, para predecir la tensión superficial de mezclas binarias que contienen IL basándose en un conjunto de datos completo de 4010 puntos de datos experimentales consta de 48 IL diferentes y 20 componentes diferentes que no son IL. fue examinado. En el modelo de árbol SGB, las condiciones del sistema de temperatura y composición de los componentes IL, así como el peso molecular de los componentes IL y no IL, la densidad del componente IL y el punto de ebullición normal del componente no IL se utilizan como variables de entrada. Es de destacar que el modelo de árbol SGB se ha utilizado por primera vez para la predicción/estimación de propiedades de mezclas, especialmente aquellas que contienen IL. Con base en los resultados presentados, las principales contribuciones de la presente investigación incluyen:

Las tensiones superficiales experimentales de los sistemas binarios estudiados muestran consistencia y buena concordancia con los resultados del modelo de árbol SGB.

Los valores MRAE y R de los modelos SGB para predecir mezclas que contienen ILS fueron casi 0,003989 y 0,99923 respectivamente.

La comparación entre los resultados de 18 enfoques computacionales diferentes revela que el método SGB es visiblemente superior al SVM, GA-SVM, GA-LSSVM, CSA-LSSVM, GMDH-PNN, tres ANN basadas, PSO-ANN, GA-ANN, Modelos ICA-ANN, TLBO-ANN, ANFIS, ANFIS-ACO, ANFIS-DE, ANFIS-GA, ANFIS-PSO y MGGP en lo que respecta a la precisión.

Además, con el gráfico de barras de la importancia del predictor, la fracción molar del componente IL se reconoció como la variable que hace las principales contribuciones a la predicción de la variable dependiente de interés.

Se empleó el algoritmo matemático de apalancamiento para detectar valores atípicos y evaluar el dominio de aplicabilidad del modelo SGB propuesto en este estudio. El análisis reveló que un porcentaje muy pequeño, específicamente el 1,5%, del conjunto de datos general se consideró cuestionable y no cumplía con los criterios esperados.

Además de la alta precisión de las tensiones superficiales predichas, la ventaja más importante del modelo de tensiones superficiales binarias propuesto en este estudio es que el modelo de árbol SGB propuesto se construye exclusivamente en base a datos experimentales, lo que lo hace atractivo para científicos e ingenieros. aplique dicha herramienta de aprendizaje conjunto para una estimación aproximada de la tensión superficial de cualquier mezcla binaria deseada compuesta de IL.

Los hallazgos de este estudio se pueden utilizar en industrias que utilizan LI, particularmente en el diseño y optimización de nuevos procesos a escala industrial.

Debido a que se aplicó el mayor conjunto de datos disponible, se propuso una técnica confiable para predecir la tensión superficial de numerosas mezclas binarias que contienen varios IL. Sin embargo, tiene una limitación: aunque el método SGB es ampliamente aplicable, su capacidad predictiva se limita a sistemas binarios que se parecen mucho a los utilizados para crear el modelo. No es aconsejable aplicar la herramienta desarrollada a sistemas binarios que sean completamente diferentes de los estudiados, aunque puede proporcionar una aproximación aproximada de la tensión superficial de tales mezclas.

Las direcciones futuras de este trabajo podrían implicar la aplicación de los modelos desarrollados para predecir la tensión superficial de nuevas mezclas binarias que contienen diferentes IL, como las IL basadas en fosfonio y sulfonio, y evaluar su desempeño frente a datos experimentales. Además, el modelo desarrollado podría utilizarse en la optimización y el diseño de procesos para diversas aplicaciones industriales. Investigaciones adicionales también podrían investigar la viabilidad de aplicar estos modelos a sistemas ternarios y multicomponentes que contengan IL. Más investigaciones también podrían investigar la viabilidad de aplicar este modelo a otros tipos de propiedades de mezclas que contienen IL.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado.

Sistema adaptativo de inferencia neuro-difusa

Red neuronal artificial

Optimización de colonias de hormigas CSA acoplado recocido simulado

Evolución diferencial

Árbol de decisión

Teoría del gradiente de densidad

Recuperación mejorada de petróleo

Algoritmo genético

Aumento de gradiente

Método grupal de manejo de datos de redes neuronales polinómicas.

Regresión del proceso gaussiano

Algoritmo competitivo imperialista

Tensión interfacial

Liquido ionico

Máquina de vectores de soporte de mínimos cuadrados

Error absoluto medio

Programación genética multigénica

Error absoluto relativo medio

Error cuadrático relativo medio

Error cuadrático medio

instituto nacional de normas y tecnologia

Red neuronal

Optimización de Enjambre de partículas

Error absoluto relativo

Teoría de fluidos asociativa estadística suave

Aumento del gradiente estocástico

Residuos estandarizados

Máquinas de vectores soporte

Regresión de vectores de soporte

Optimización basada en la enseñanza-aprendizaje

Factor de precisión

factor de sesgo

Valor del sombrero

Apalancamiento de advertencia

Número de parámetros de entrada

Coeficiente de correlación

Temperatura

Multiplicador de transposición

Composición del componente IL

Peso molecular de los componentes IL.

Densidad de componentes IL.

Coeficiente de correlación de Pearson

Componente no IL de punto de ebullición

Peso molecular del componente no IL.

Tensión superficial

Tasa de aprendizaje

Número total de puntos de datos

I con entrada

Promedio de entrada

Salida experimental en el punto de muestreo \(i\)

iTh salida del modelo

Producción promedio de la producción

Zhang, S. y col. Líquidos iónicos: propiedades fisicoquímicas (Elsevier, 2009).

Google Académico

Mohammad, A. Green Solvents II: Propiedades y aplicaciones de líquidos iónicos vol. 2 (Springer Science & Business Media, 2012).

Reservar Google Académico

Oliveira, M. et al. Tensión superficial de mezclas binarias de líquidos iónicos de 1-alquil-3-metilimidazolio bis (trifluorometilsulfonil) imida: mediciones experimentales y modelado soft-SAFT. J. Física. Química. B 116, 12133–12141 (2012).

Artículo CAS PubMed Google Scholar

Plechkova, NV & Seddon, KR Aplicaciones de líquidos iónicos en la industria química. Química. Soc. Rev. 37, 123–150 (2008).

Artículo CAS PubMed Google Scholar

Nasirpour, N., Mohammadpourfard, M. & Heris, SZ Líquidos iónicos: compuestos prometedores para procesos y aplicaciones químicos sostenibles. Química. Ing. Res. Des. 160, 264–300 (2020).

Artículo CAS Google Scholar

Iglesias-Otero, MA, Troncoso, J., Carballo, E. & Romaní, L. Densidad e índice de refracción en mezclas de líquidos iónicos y disolventes orgánicos: Correlaciones y predicciones. J. química. Termodina. 40, 949–956 (2008).

Artículo CAS Google Scholar

Hazrati, N., Beigi, AAM y Abdouss, M. Demulsificación de agua en emulsión de petróleo crudo utilizando líquidos iónicos de imidazolio de cadena larga y optimización de parámetros. Combustible 229, 126-134 (2018).

Artículo CAS Google Scholar

Alonso, L., Arce, A., Francisco, M. & Soto, A. Extracción con solvente de tiofeno de n-alcanos (C 7, C 12 y C 16) utilizando el líquido iónico [C 8 mim] [BF 4 ]. J. química. Termodina. 40, 966–972 (2008).

Artículo CAS Google Scholar

Cheng, D.-H., Chen, X.-W., Shu, Y. y Wang, J.-H. Extracción/aislamiento selectivo de hemoglobina con hexafluorofosfato de 1-butil-3-trimetilsililimidazolio líquido iónico (BtmsimPF 6). Talanta 75, 1270-1278 (2008).

Artículo CAS PubMed Google Scholar

Fu, X., Dai, S. & Zhang, Y. Comparación de capacidades de extracción entre líquidos iónicos y diclorometano. Mentón. J.Anal. Química. 34, 598–602 (2006).

Artículo CAS Google Scholar

Li, M., Pittman, CU y Li, T. Extracción de ésteres metílicos de ácidos grasos poliinsaturados mediante líquidos iónicos a base de imidazolio que contienen tetrafluoroborato de plata: estudios de equilibrio de extracción. Talanta 78, 1364-1370 (2009).

Artículo CAS PubMed Google Scholar

Law, G. & Watson, PR Mediciones de tensión superficial de líquidos iónicos de N-alquilimidazolio. Langmuir 17, 6138–6141 (2001).

Artículo CAS Google Scholar

Cserjési, P., Nemestóthy, N. & Bélafi-Bakó, K. Propiedades de separación de gases de membranas líquidas soportadas preparadas con líquidos iónicos no convencionales. J. Miembro. Ciencia. 349, 6-11 (2010).

Artículo de Google Scholar

Mahurin, SM, Lee, JS, Baker, GA, Luo, H. y Dai, S. Rendimiento de aniones que contienen nitrilo en líquidos iónicos para tareas específicas para mejorar la separación de CO2/N2. J. Miembro. Ciencia. 353, 177–183 (2010).

Artículo CAS Google Scholar

Palgunadi, J., Kim, HS, Lee, JM & Jung, S. Líquidos iónicos para la separación de acetileno y etileno: selección de materiales e investigación de solubilidad. Química. Ing. Proceso. 49, 192-198 (2010).

Artículo CAS Google Scholar

Pham-Truong, T.-N., Randriamahazaka, H. & Ghilane, J. Electroquímica del líquido iónico bi-redox de la solución a la superficie de carbono bifuncional. Electrochim. Acta 354, 136689 (2020).

Artículo CAS Google Scholar

Liu, K., Wang, Z., Shi, L., Jungsuttiwong, S. & Yuan, S. Líquidos iónicos para baterías de metal litio de alto rendimiento. J. Química Energética. https://doi.org/10.1016/j.jechem.2020.11.017 (2020).

Artículo de Google Scholar

Yoo, CG, Pu, Y. & Ragauskas, AJ Líquidos iónicos: disolventes ecológicos prometedores para la utilización de biomasa lignocelulósica. actual. Opinión. Sostenimiento verde. Química. 5, 5-11 (2017).

Artículo de Google Scholar

Wu, J. y col. Extracción desulfuración de combustibles mediante líquido poroso a base de ZIF-8. Combustible 300, 121013 (2021).

Artículo CAS Google Scholar

Kim, JW y cols. Síntesis de líquidos iónicos a partir de sales de alquilimidazolio y sus propiedades de disolución y dispersión del carbón. J. Ind. Ing. Química. 20, 372–378 (2014).

Artículo CAS Google Scholar

Li, X. y col. Extracción con solvente mejorada con líquido iónico para la recuperación de betún de arenas bituminosas. Combustibles energéticos 25, 5224–5231 (2011).

Artículo CAS Google Scholar

Williams, P., Lupinsky, A. & Painter, P. Recuperación de betún de arenas bituminosas de baja ley utilizando líquidos iónicos. Combustibles energéticos 24, 2172–2173 (2010).

Artículo CAS Google Scholar

Sakthivel, S., Velusamy, S., Gardas, RL & Sangwai, JS Método ecoeficiente y ecológico para la disolución mejorada de lodos de petróleo crudo aromáticos utilizando líquidos iónicos. RSC Avanzado. 4, 31007–31018 (2014).

Artículo ADS CAS Google Scholar

Sakthivel, S., Velusamy, S., Gardas, RL & Sangwai, JS Investigación experimental sobre el efecto de líquidos iónicos alifáticos en la solubilidad del petróleo crudo pesado mediante espectroscopía UV-visible, infrarrojo por transformada de Fourier y RMN 13C. Combustibles energéticos 28, 6151–6162 (2014).

Artículo CAS Google Scholar

Zheng, C., Brunner, M., Li, H., Zhang, D. y Atkin, R. Disolución y suspensión de asfaltenos con líquidos iónicos. Combustible 238, 129-138 (2019).

Artículo CAS Google Scholar

Sakthivel, S., Velusamy, S., Nair, VC, Sharma, T. & Sangwai, JS Tensión interfacial del sistema petróleo crudo-agua con líquidos iónicos a base de imidazolio y lactama y su evaluación para una recuperación mejorada de petróleo en un ambiente altamente salino. Combustible 191, 239–250 (2017).

Artículo CAS Google Scholar

Wandschneider, A., Lehmann, JK & Heintz, A. Tensión superficial y densidad de líquidos iónicos puros y algunas mezclas binarias con 1-propanol y 1-butanol. J. química. Ing. Datos 53, 596–599 (2008).

Artículo CAS Google Scholar

Montaño, D., Bandrés, I., Ballesteros, LM, Lafuente, C. & Royo, FM Estudio de las tensiones superficiales de mezclas binarias de clorobutanos isoméricos con metil terc-butil éter. J. Solut. Química. 40, 1173-1186 (2011).

Artículo de Google Scholar

Carvalho, PJ, Freire, MG, Marrucho, IM, Queimada, AJ & Coutinho, JA Tensiones superficiales para los líquidos iónicos de 1-alquil-3-metilimidazolio bis (trifluorometilsulfonil) imida. J. química. Ing. Datos https://doi.org/10.1021/je800069z (2008).

Artículo de Google Scholar

Abdul-Majeed, GH y Al-Soof, NBA Estimación de la tensión superficial del gas-petróleo. J. Gasolina. Ciencia. Ing. 27, 197-200 (2000).

Artículo CAS Google Scholar

Pandey, J., Chandra, P., Srivastava, T., Soni, N. y Singh, A. Estimación de la tensión superficial de sistemas líquidos ternarios mediante el método de contribuciones de grupos de estados correspondientes y la teoría de Flory. Equilibrio de fase fluida. 273, 44–51 (2008).

Artículo CAS Google Scholar

Tariq, M. y col. Tensión superficial de líquidos iónicos y soluciones de líquidos iónicos. Química. Soc. Rev. 41, 829–868 (2012).

Artículo CAS PubMed Google Scholar

Setiawan, R., Daneshfar, R., Rezvanjou, O., Ashoori, S. y Naseri, M. Tensión superficial de mezclas binarias que contienen líquidos iónicos respetuosos con el medio ambiente: conocimientos de la inteligencia artificial. Reinar. Desarrollo. Sostener. 23, 17606–17627 (2021).

Artículo de Google Scholar

Rice, P. & Teja, AS Un método generalizado de estados correspondientes para la predicción de la tensión superficial de líquidos puros y mezclas de líquidos. J. Ciencia de la interfaz coloidal. 86, 158-163 (1982).

Artículo ADS CAS Google Scholar

Gharagheizi, F., Ilani-Kashkouli, P. y Mohammadi, AH Modelo de contribución del grupo para la estimación de la tensión superficial de líquidos iónicos. Química. Ing. Ciencia. 78, 204–208 (2012).

Artículo CAS Google Scholar

Cardona, LF & Valderrama, JO Tensión superficial de mezclas que contienen líquidos iónicos basada en una ecuación de estado y en el concepto de similitud geométrica. Iónicos 26, 6095–6118 (2020).

Artículo CAS Google Scholar

Safamirzaei, M. & Modarress, H. Correlación y predicción de la solubilidad de gases a baja presión en [bmim][BF 4] mediante modelado molecular de redes neuronales. Termochim. Acta 545, 125-130 (2012).

Artículo CAS Google Scholar

Reihanian, M., Asadullahpour, S., Hajarpour, S. y Gheisari, K. Aplicación de redes neuronales y algoritmos genéticos a la pulvimetalurgia del hierro puro. Madre. Des. 32, 3183–3188 (2011).

Artículo CAS Google Scholar

Hezave, AZ, Raeissi, S. y Lashkarbolooki, M. Estimación de la conductividad térmica de líquidos iónicos utilizando una red neuronal perceptrón. Ing. de Indiana. Química. Res. 51, 9886–9893 (2012).

Artículo CAS Google Scholar

Eslamimanesh, A., Gharagheizi, F., Mohammadi, AH y Richon, D. Modelado de redes neuronales artificiales de la solubilidad del dióxido de carbono supercrítico en 24 líquidos iónicos de uso común. Química. Ing. Ciencia. 66, 3039–3044 (2011).

Artículo CAS Google Scholar

Hezave, AZ, Lashkarbolooki, M. & Raeissi, S. Uso de redes neuronales artificiales para predecir la conductividad eléctrica ternaria de sistemas de líquidos iónicos. Equilibrio de fase fluida. 314, 128-133 (2012).

Artículo CAS Google Scholar

Hezave, AZ, Lashkarbolooki, M. & Raeissi, S. Correlación de puntos de burbuja de sistemas ternarios que involucran nueve solventes y dos líquidos iónicos utilizando una red neuronal artificial. Equilibrio de fase fluida. 352, 34–41 (2013).

Artículo de Google Scholar

Lashkarblooki, M., Hezave, AZ, Al-Ajmi, AM y Ayatollahi, S. Predicción de la viscosidad de mezclas ternarias que contienen IL utilizando una red neuronal artificial de perceptrón multicapa. Equilibrio de fase fluida. 326, 15-20 (2012).

Artículo CAS Google Scholar

Lashkarbolooki, M., Hezave, AZ y Ayatollahi, S. Red neuronal artificial como herramienta aplicable para predecir la capacidad calorífica binaria de mezclas que contienen líquidos iónicos. Equilibrio de fase fluida. 324, 102-107 (2012).

Artículo CAS Google Scholar

Torrecilla, JS et al. Optimización de una red neuronal artificial para predecir el punto de fusión de líquidos iónicos. Física. Química. Química. Física. 10, 5826–5831 (2008).

Artículo CAS PubMed Google Scholar

Hashemkhani, M. et al. Predicción de la tensión superficial binaria de mezclas que contienen líquidos iónicos mediante algoritmos de máquina de vectores de soporte. J. Mol. Licuado. 211, 534–552 (2015).

Artículo CAS Google Scholar

Amirkhani, F., Dashti, A., Abedsoltan, H., Mohammadi, AH y Chau, K.-W. Hacia la estimación de la absorción de los principales gases contaminantes del aire en líquidos iónicos utilizando métodos de computación blanda. J. Instituto de Taiwán. Química. Ing. 127, 109-118 (2021).

Artículo CAS Google Scholar

Lazzús, JA, Cuturrufo, F., Pulgar-Villarroel, G., Salfate, I. & Vega, P. Estimación de la tensión superficial de líquidos iónicos dependiente de la temperatura utilizando un método de contribución de grupo basado en redes neuronales. Ing. de Indiana. Química. Res. 56, 6869–6886 (2017).

Artículo de Google Scholar

Atashrouz, S., Mirshekar, H. y Mohaddespour, A. Un enfoque de modelado sólido para predecir la tensión superficial de líquidos iónicos. J. Mol. Licuado. 236, 344–357 (2017).

Artículo CAS Google Scholar

Obaid, RJ y cols. Simulación matemática novedosa y precisa de varios modelos para la predicción precisa de parámetros de tensión superficial a través de líquidos iónicos. Árabe. J. química. 15, 104228 (2022).

Artículo CAS Google Scholar

Soleimani, R., Dehaghani, AHS, Shoushtari, NA, Yaghoubi, P. y Bahadori, A. Hacia un enfoque inteligente para predecir la tensión superficial de mezclas binarias que contienen líquidos iónicos. Coreano J. Chem. Ing. 35, 1556-1569 (2018).

Artículo CAS Google Scholar

Atashrouz, S., Mirshekar, H., Hemmati-Sarapardeh, A., Moraveji, MK y Nasernejad, B. Implementación de enfoques de computación blanda para la predicción de propiedades fisicoquímicas de mezclas de líquidos iónicos. Coreano J. Chem. Ing. 34, 425–439 (2017).

Artículo CAS Google Scholar

Lashkarbolooki, M. Modelado de redes neuronales artificiales para la predicción de la tensión superficial binaria que contiene líquido iónico. Septiembre Ciencia. Tecnología. 52, 1454-1467 (2017).

Artículo CAS Google Scholar

Shojaeian, A. & Asadizadeh, M. Predicción de la tensión superficial de mezclas binarias que contienen líquido iónico mediante enfoques heurísticos; una investigación de los parámetros de entrada. J. Mol. Licuado. 298, 111976 (2020).

Artículo CAS Google Scholar

Esmaeili, H. & Hashemipour, H. Una correlación simple para predecir la tensión superficial de mezclas binarias que contienen líquidos iónicos. J. Mol. Licuado. 324, 114660 (2021).

Artículo CAS Google Scholar

Friedman, J., Hastie, T. y Tibshirani, R. Regresión logística aditiva: una visión estadística del impulso (con discusión y réplica de los autores). Ana. Estadística. 28, 337–407 (2000).

Artículo MATEMÁTICAS Google Scholar

Friedman, JH Aumento del gradiente estocástico. Computadora. Estadística. Análisis de datos. 38, 367–378 (2002).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Soleimani, R. y col. Desarrollo de un modelo preciso basado en árboles de decisión para predecir la solubilidad del dióxido de carbono en polímeros. Química. Ing. Tecnología. 43, 514–522 (2020).

Artículo CAS Google Scholar

Dehaghani, AHS & Soleimani, R. Estimación de la tensión interfacial para el almacenamiento geológico de CO2. Química. Ing. Tecnología. 42, 680–689 (2019).

Artículo CAS Google Scholar

Abooali, D., Soleimani, R. & Rezaei-Yazdi, A. Modelado de la absorción de CO2 en soluciones acuosas de DEA, MDEA y DEA+ MDEA basado en métodos inteligentes. Septiembre Ciencia. Tecnología. 55, 697–707 (2020).

Artículo CAS Google Scholar

Soleimani, R., Abooali, D. & Shoushtari, NA Caracterización de la captura de CO2 con soluciones acuosas de LysK y la mezcla de MAPA+ DEEA utilizando métodos de computación blanda. Energía 164, 664–675 (2018).

Artículo CAS Google Scholar

Dong, Q. y col. ILThermo: una base de datos web de acceso gratuito para las propiedades termodinámicas de líquidos iónicos. J. química. Ing. Datos 52, 1151-1159 (2007).

Artículo CAS Google Scholar

Friedman, JH Aproximación de la función codiciosa: una máquina de refuerzo de gradiente. Ana. Estadística. https://doi.org/10.1214/aos/1013203451 (2001).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Kriegler, B. & Berk, R. Estimación de áreas pequeñas de personas sin hogar en Los Ángeles: una aplicación de aumento de gradiente estocástico sensible a los costos. Ana. Aplica. Estadística. https://doi.org/10.1214/10-AOAS328 (2010).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Kuhn, M. & Johnson, K. Modelado predictivo aplicado vol. 810 (Springer, 2013).

Libro MATEMÁTICAS Google Scholar

Breiman, L. Arqueando el borde. (Informe Técnico 486, Departamento de Estadística, Universidad de California en Berkeley, 1997).

Abooali, D. & Soleimani, R. Modelado basado en la estructura de la concentración micelar crítica (CMC) de tensioactivos aniónicos en salmuera utilizando métodos inteligentes. Ciencia. Rep. 13(1), 13361 (2023).

ADS del artículo Google Scholar

Brillante, L. et al. Investigar el uso de una máquina de aumento de gradiente, un bosque aleatorio y su conjunto para predecir el contenido de flavonoides de la piel a partir de las características físico-mecánicas de las bayas en las uvas para vino. Computadora. Electrón. Agrícola. 117, 186-193 (2015).

Artículo de Google Scholar

Godinho, S., Guiomar, N. & Gil, A. Uso de un algoritmo de aumento de gradiente estocástico para analizar la efectividad de los datos de Landsat 8 para el mapeo de cobertura terrestre montada: aplicación en el sur de Portugal. En t. J. Aplica. Observación de la Tierra. Geoinf. 49, 151-162 (2016).

Anuncios Google Scholar

Zhou, J., Li, X. & Mitri, HS Rendimiento comparativo de seis métodos de aprendizaje supervisado para el desarrollo de modelos de predicción de la estabilidad de pilares de roca dura. Nat. Peligros 79, 291–316 (2015).

Artículo de Google Scholar

Soleimani, R., Dehaghani, AHS y Bahadori, A. Un nuevo algoritmo basado en árbol de decisión para la predicción de la solubilidad del sulfuro de hidrógeno en varios líquidos iónicos. J. Mol. Licuado. 242, 701–713 (2017).

Artículo CAS Google Scholar

Saeedi Dehaghani, AH y Soleimani, R. Predicción de la presión mínima de miscibilidad del aceite de CO2 mediante métodos de computación blanda. Química. Ing. Tecnología. 43, 1361-1371 (2020).

Artículo CAS Google Scholar

Abooali, D., Soleimani, R. & Gholamreza-Ravi, S. Caracterización de las propiedades fisicoquímicas de los componentes del biodiesel utilizando enfoques inteligentes de minería de datos. Combustible 266, 117075 (2020).

Artículo CAS Google Scholar

Subasi, A., El-Amin, MF, Darwich, T. & Dossary, M. Predicción de la permeabilidad de yacimientos de petróleo mediante regresión de aumento de gradiente estocástico. J. Inteligencia ambiental. Humaniz. Computadora. https://doi.org/10.1007/s12652-020-01986-0 (2020).

Artículo de Google Scholar

Gu, Y.-Q. et al. Uso de un enfoque de árbol de decisión SGB para estimar las propiedades del CRM elaborado a partir de biomasa pretratada con líquidos iónicos. En t. J. química. Ing. 2021, 1–9 (2021).

Artículo CAS Google Scholar

Dong, L., Wang, R., Liu, P. y Sarvazizi, S. Predicción de la cinética de pirólisis de la biomasa: nuevos conocimientos a partir del modelado basado en inteligencia artificial. En t. J. química. Ing. https://doi.org/10.1155/2022/6491745 (2022).

Artículo de Google Scholar

Daneshfar, R. y col. Estimación de la capacidad calorífica de sistemas de ionanofluidos no newtonianos utilizando algoritmos de árbol ANN, ANFIS y SGB. Aplica. Ciencia. 10, 6432 (2020).

Artículo CAS Google Scholar

Ross, T. Índices para la evaluación del desempeño de modelos predictivos en microbiología de alimentos. J. Aplica. Bacteriol. 81, 501–508 (1996).

CAS PubMed Google Académico

Betts, G. & Walker, S. Verificación y validación de modelos de deterioro de alimentos. En Comprensión y medición de la vida útil de los alimentos (Ed Steele. R), 184–217 (CRC Press, 2004).

Witten, IH, Frank, E., Hall, MA & Pal, CJ Minería de datos: herramientas y técnicas prácticas de aprendizaje automático (Morgan Kaufmann, 2016).

Google Académico

Makridakis, SG & Wheelwright, SC Métodos de previsión para la gestión. (1989).

Wheelwright, S., Makridakis, S. & Hyndman, RJ Pronóstico: métodos y aplicaciones (John Wiley & Sons, 1998).

Google Académico

Friedman, JH & Meulman, JJ Árboles de regresión aditiva múltiple con aplicación en epidemiología. Estadística. Medicina. 22, 1365-1381 (2003).

Artículo PubMed Google Scholar

Mohammadi, AH, Eslamimanesh, A., Gharagheizi, F. y Richon, D. Un método novedoso para la evaluación de datos de titulación de precipitación de asfaltenos. Química. Ing. Ciencia. Rev. 78, 181–185 (2012).

Artículo CAS Google Scholar

Rousseeuw, PJ y Leroy, AM Regresión robusta y detección de valores atípicos (John Wiley & Sons, 2005).

MATEMÁTICAS Google Scholar

Safari, H., Shokrollahi, A., Moslemizadeh, A., Jamialahmadi, M. y Ghazanfari, MH Predicción de la solubilidad del SrSO4 en un sistema Na-Ca-Mg-Sr-Cl-SO4-H2O a temperaturas y presiones elevadas. Equilibrio de fase fluida. 374, 86-101 (2014).

Artículo CAS Google Scholar

Tatar, A., Yassin, MR, Rezaee, M., Aghajafari, AH y Shokrollahi, A. Aplicación de una solución robusta basada en sistemas expertos y algoritmo evolutivo GA para pronosticar la saturación de gas residual en yacimientos de gas impulsados ​​por agua. J. Nat. Ciencia del gas. Ing. 21, 79–94 (2014).

Artículo de Google Scholar

Gharagheizi, F. y col. Evaluación de la conductividad térmica de gases a presión atmosférica mediante el método de estados correspondientes. Ing. de Indiana. Química. Res. 51, 3844–3849 (2012).

Artículo CAS Google Scholar

Sarapardeh, AH, Larestani, A., Menad, NA y Hajirezaie, S. Aplicaciones de técnicas de inteligencia artificial en la industria petrolera (Gulf Professional Publishing, 2020).

Google Académico

Descargar referencias

Departamento de Ingeniería Química, Facultad de Ingeniería Química, Universidad Tarbiat Modares, PO Box 14115-143, Teherán, Irán

Reza Soleimani

Departamento de Ingeniería del Petróleo, Facultad de Ingeniería Química, Universidad Tarbiat Modares, PO Box 14115-143, Teherán, Irán

Amir Hossein Saeedi Dehaghani

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

RS: Conceptualización, Metodología, Software, Validación, Redacción—borrador original, Recursos, Visualización, Investigación, Análisis formal. AHSD: Supervisión, Administración de Proyectos, Conceptualización, Validación, Revisión y Edición.

Correspondencia a Amir Hossein Saeedi Dehaghani.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Soleimani, R., Saeedi Dehaghani, AH Información sobre la estimación de tensiones superficiales de mezclas basadas en materiales verdes diseñables utilizando un esquema de aprendizaje conjunto. Representante científico 13, 14145 (2023). https://doi.org/10.1038/s41598-023-41448-z

Descargar cita

Recibido: 13 de marzo de 2023

Aceptado: 26 de agosto de 2023

Publicado: 29 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-41448-z

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.