Aplicación de técnicas de aprendizaje automático al modelado de solubilidad de alcoholes de azúcar en líquidos iónicos.

Noticias

HogarHogar / Noticias / Aplicación de técnicas de aprendizaje automático al modelado de solubilidad de alcoholes de azúcar en líquidos iónicos.

Jul 03, 2023

Aplicación de técnicas de aprendizaje automático al modelado de solubilidad de alcoholes de azúcar en líquidos iónicos.

Scientific Reports volumen 13, Número de artículo: 12161 (2023) Citar este artículo 298 Accesos Detalles de métricas La tendencia actual de las industrias químicas exige procesamiento ecológico, en particular con

Scientific Reports volumen 13, Número de artículo: 12161 (2023) Citar este artículo

298 Accesos

Detalles de métricas

La tendencia actual de la industria química exige un procesamiento ecológico, en particular el empleo de sustancias naturales como los compuestos derivados del azúcar. Este asunto ha impulsado a sectores académicos e industriales a buscar nuevas alternativas para la extracción de estos materiales. Actualmente, los líquidos iónicos (LI) están allanando el camino para procesos de extracción eficientes. Para este fin, es de gran importancia una estimación precisa de los datos de solubilidad. Este estudio se basa en métodos de aprendizaje automático para modelar los datos de solubilidad de alcoholes de azúcar (SA) en IL. Un análisis de relevancia inicial aprobó que el equilibrio SA-IL se rige por la temperatura, la densidad y el peso molecular de las IL, así como por el peso molecular, la temperatura de fusión y la entalpía de fusión de las SA. Además, la temperatura y la temperatura de fusión tienen la mayor influencia en la solubilidad de los SA en los IL. El rendimiento de las redes neuronales artificiales (ANN), la regresión de vectores de soporte de mínimos cuadrados (LSSVR) y los sistemas de inferencia neurodifusos adaptativos (ANFIS) para predecir la solubilidad de SA en IL se compararon utilizando un gran banco de datos (647 puntos de datos de 19 SA y 21 IL). Entre los modelos investigados, ANFIS ofreció la mejor precisión con una desviación relativa absoluta promedio (AARD%) del 7,43% y un coeficiente de determinación (R2) de 0,98359. El mejor rendimiento del modelo ANFIS se obtuvo con un radio central de 0,435 cuando se entrenó con el 85% del banco de datos. Análisis adicionales del modelo ANFIS basado en el método de apalancamiento revelaron que este modelo es lo suficientemente confiable debido a su alto nivel de cobertura y amplia gama de aplicabilidad. En consecuencia, este modelo se puede utilizar eficazmente para modelar las solubilidades de SA en IL.

Los recursos de biomasa son una alternativa viable, abundante, verde, renovable y sostenible a los recursos convencionales para la síntesis química y el suministro de energía. Esta transición se intensifica al reducir la cantidad de combustibles fósiles extraíbles, endurecer las regulaciones ambientales y estabilizar los precios de la conversión de biomasa1,2,3,4. Las principales vías para alcanzar este hito pasan por la conversión de biomasa lignocelulósica5,6,7. Ya que mediante conversión de lignocelulosa directa o indirecta se pueden sintetizar diversas sustancias, entre las que destacan los azúcares y los alcoholes de azúcar (SA)8,9,10.

Los SA, también conocidos como polioles, están compuestos de carbohidratos hidrogenados acíclicos11. Gracias a sus estructuras únicas y a la densidad de grupos funcionales, los SA han encontrado una gran popularidad en la industria farmacéutica, alimentaria y en los procesos químicos12. Al poseer propiedades similares o incluso mejores que los azúcares convencionales, los SA también se consideran ingredientes alimentarios13. Además, se utilizan cada vez más en aplicaciones farmacéuticas debido a sus notables propiedades funcionales y beneficios para la salud14. A pesar de existir en cantidades aproximadamente pequeñas, los SA se consumieron globalmente hasta 1,9 × 106 toneladas métricas en 202211,14, lo que justifica la importancia de desarrollar enfoques confiables para predecir sus propiedades y comportamiento. El procesamiento de SA a través de biorrefinería necesita solventes eficientes para pretratar o disolver la biomasa, proporcionar un medio de reacción adecuado y mejorar la conversión de azúcares en productos intermedios o finales15,16.

Para ello se han sugerido muchos disolventes con diferentes características, como agua, disolventes orgánicos, ácidos, bases y líquidos iónicos (LI)17. Los IL no solo ofrecen estado líquido y no volatilidad en un amplio rango de temperaturas, sino que también se benefician de una alta estabilidad térmica y una notable fuerza de solubilidad. Estas características los convierten en herramientas potencialmente atractivas para superar diversos desafíos operativos18 asociados con los solventes convencionales. La versatilidad de los LI permite diseñar sus características, propiedades termoquímicas y poder de solvatación ajustando adecuadamente el par anión/catión19,20,21,22,23.

Los LI ofrecen una alta capacidad de disolución de los SA debido a la presencia de diversos cationes y aniones, puntos de fusión relativamente bajos, así como naturaleza iónica y no volatilidad debido a la fuerte interacción iónico-catiónica24,25,26,27,28,29. Xia y col. han informado recientemente sobre la fabricación de productos obtenidos de celulosa y lignina empleando IL30. En consecuencia, los IL tienen beneficios notables en la extracción de SA sobre los solventes convencionales. Carneiro et al midieron las solubilidades de cuatro compuestos de azúcar (es decir, galactosa, glucosa, xilosa y fructosa) en Aliquat®336 y etilsulfato de 1-etil-3-metilimidazolio ([Emim][EtSO4]) (288–328 K). Alabama. y luego correlacionados por dos modelos de coeficientes de actividad (ACM)31. Carneiro et al. También desarrollaron un estudio teórico y experimental que aborda las solubilidades del sorbitol y el xilitol en tres líquidos iónicos en un amplio rango de temperaturas (288–433 K) y evaluaron algunos ACM para el modelado termodinámico32. En otro estudio, midieron las solubilidades del sorbitol y el xilitol en cinco IL diferentes, a saber, dicianamida de 1-butil-3-metilimidazolio ([Bmim][DCA]), dicianamida de 1-etil-3-metilimidazolio ([Emim][DCA]) , trifluoroacetato de 1-etil-3-metilimidazolio ([Emim][TFA]), dicianamida de trihexiltetradecilfosfonio ([P6,6,6,14][DCA]) y dicianamida Aliquat® a 288–339 K33. También desarrollaron un modelo termodinámico basado en la ecuación de estado (EoS) de la teoría de fluidos asociados estadísticos de cadena perturbada (PC-SAFT). El mismo grupo de investigación también realizó mediciones de solubilidad de fructosa y glucosa en LI similares34. Mohan et al. aplicaron un método de detección molecular basado en el modelo de solvatación continua para detectar una gran cantidad de IL para determinar la solubilidad de xilosa, glucosa, fructosa y galactosa en un rango de temperatura algo amplio (303,15 K a 373,15 K)35. Se beneficiaron del mismo enfoque para detectar IL para determinar la solubilidad de sacarosa, celobiosa y maltosa36. Paduszyński et al. datos de solubilidad medidos y análisis termodinámico de fructosa, glucosa y sacarosa en presencia de IL de baja viscosidad compuestos de catión 1-butil-3-metilimidazolio ([Bmim]+) y trifluoroacetato de dicianamida ([DCA]-) ([TFA] −) aniones37. Su análisis termodinámico se basó en el PC-SAFT EoS. El mismo grupo investigó los equilibrios sólido-líquido de IL y SA a base de dicianamida (eritritol, xilitol y sorbitol)38. También se empleó un esquema de modelado PC-SAFT para reproducir los datos medidos38. También informaron el impacto de los cationes funcionalizados en las propiedades de las IL y su fuerza de solubilidad para la glucosa39. En este sistema también se desarrolló el mismo enfoque termodinámico que utiliza el enfoque PC-SAFT. Se determinó la solubilidad de seis SA monosacáridos, a saber, glucosa, manosa, fructosa, galactosa, xilosa y arabinosa en diferentes IL compuestos de cationes variados (1-butil-3-metilimidazolio y trihexiltetradecilfosfonio) y aniones (dicianamida, dimetilfosfato y cloruro). Teles et al.40 estudiaron experimentalmente (288,2–348,2 K) y sus características de solvatación, así como los mecanismos a escala molecular. Recientemente se han introducido IL dicatiónicos asimétricos para este proceso y Yang et al. desarrollaron un estudio pionero, en el que se estudió el impacto de la 1-(3-(trimetilamonio)prop-1-il)-3-metilimidazolio bis(dicianamida), 1-(3-(trimetilamonio)prop-1-il)-1-metilpiperidinio bis(dicianamida) y 1-(3-(trimetilamonio)prop-1-il)piridinio bis(dicianamida) sobre la solubilidad de la fructosa y la glucosa se investigó en 323,15–353,15 K41. Luego se aplicaron ACM (Wilson, dos líquidos no aleatorios (NRTL) y UNIQUAC) y ecuaciones semiempíricas (Apelblat modificada y ecuación de λh) para modelar los datos medidos. Más recientemente, investigaciones experimentales han abordado los datos de solubilidad de diferentes compuestos en numerosas IL42,43,44. Los estudios de revisión también profundizan en diferentes aspectos de este proceso7,17,30.

Estos cálculos basados ​​en termodinámica (es decir, ecuaciones semiempíricas, ACM y EoS) solo son aplicables a un sistema SA-IL específico y no es posible usarlos para monitorear el equilibrio de fases de varios sistemas simultáneamente. Por otro lado, los enfoques de inteligencia artificial (IA) se pueden aplicar simplemente para estimar la solubilidad de una amplia gama de SA en diferentes IL. Por lo tanto, cualquier esfuerzo que conduzca a la simulación de la solubilidad de SA en IL con el uso de herramientas de aprendizaje automático (ML) es actualmente de gran interés. Las herramientas basadas en ML ya se han involucrado en la estimación precisa, rápida y fácil de usar de los datos de equilibrio20,45,46,47,48,49, la evaluación de procesos50,51, las propiedades de los solventes22,52,53, 54,55,56, yacimientos de petróleo57, esquistos gasíferos58 y materiales derivados de biomasa59.

La solubilidad de los SA en las IL depende en gran medida de la temperatura y del tipo de IL, que se identifica por sus propiedades. El tipo y las propiedades del compuesto SA también afectan el comportamiento de solvatación. Los primeros modelos termodinámicos que utilizan EoS33,38,39 y ACM31,32,34,35 tienen varias desventajas. Para profundizar en esto, estos modelos pueden calcular con precisión los datos de solubilidad solo en un rango estrecho y limitado de condiciones. Además, son específicos de cada componente, lo que da como resultado la generación de demasiados parámetros para varios sistemas SA-IL. En consecuencia, en la literatura se encuentra una gran cantidad de parámetros específicos de los componentes. Debido a esto, un modelo ML universal capaz de cubrir una amplia gama de sistemas SA-IL y temperaturas es de suma importancia. Desde diferentes puntos de vista, si la aplicación de los modelos ML tiene éxito, estos modelos posiblemente puedan reemplazar los métodos de cálculo convencionales debido a su fácil usabilidad y su corto período de cálculo. Actualmente, el ML se utiliza ampliamente para abordar cuestiones de ingeniería, como la estimación de propiedades termofísicas60,61.

Para beneficiarse de una amplia aplicación de los alcoholes de azúcar en la industria farmacéutica, la industria alimentaria y los procesos químicos, es necesario extraerlos primero. El estudio, el diseño y la optimización viables de la extracción de SA mediante líquidos iónicos requieren un conocimiento preciso sobre los datos de solubilidad. Dado que la medición experimental de la solubilidad de SA en IL requiere mucho tiempo y la literatura no presenta ningún modelo integral para su estimación, el presente estudio aplica herramientas de inteligencia artificial para la tarea considerada. El modelo inteligente construido en este estudio puede participar efectivamente en la simulación y optimización de la extracción de SA por parte de IL.

Antes de explicar los modelos ML, es esencial identificar la dirección y la fuerza de la relación entre las variables del sistema, es decir, la solubilidad como variable dependiente y la temperatura, y los tipos SA e IL, que son variables independientes. Esto puede gestionarse mediante análisis estadísticos sencillos y fáciles de interpretar que miden la asociación monótona entre pares de variables independientes-dependientes62. Los análisis de Pearson, Spearman y Kendall se benefician de una noción estadística conocida como covarianza, que significa el grado de correlación o la fuerza de la relación entre dos variables. En otras palabras, estos análisis ofrecen un criterio sencillo sobre cómo varían juntas un par de variables63,64.

El análisis de Pearson [Ec. (1)] introduce un parámetro adimensional (- 1 a + 1) y el criterio de Spearman [Ec. (2)] ofrece el mismo rango del criterio y en realidad es la versión modificada de la ecuación de Pearson62. Aunque el rango de los parámetros de Spearman y Pearson es el mismo, su predicción cuantitativa y cualitativa de un único par independiente-dependiente puede diferir62. Para un sistema compuesto por un conjunto de variables de entrada (X) y salida (Y), los coeficientes de Pearson (r) y Spearman (\({\mathrm{r}}^{{^{\prime}}}\)) pueden calcularse de la siguiente manera:

donde NDP yd indican el número de puntos de datos y la diferencia entre los dos rangos de cada observación, respectivamente. El criterio de Kendall [Ec. (3)] ​​se beneficia de un coeficiente de correlación que se basa en los rangos de las observaciones64,65.

Empleando los parámetros de correlación (r, \({\mathrm{r}}^{{^{\prime}}}\) y \({\mathrm{r}}^{{^{\prime}}{ ^{\prime}}}\)), la relación entre la variable dependiente (solubilidad de SA en IL) y las variables independientes (temperatura, los pesos moleculares (MW) de SA e IL, la densidad de IL y la temperatura de fusión y entalpía) se pueden determinar con base en las regulaciones presentadas en la Tabla 1.

La idea principal de este estudio radica en el uso de modelos ML con el procedimiento más simple. Aparte de eso, los parámetros empleados pueden simplemente representar la naturaleza de los materiales en cuestión y distinguirlos, ya que la temperatura es la principal variable efectiva del proceso en los equilibrios sólido-líquido SA-IL; Los MW pueden distinguir los compuestos y son algo representativos de la longitud molecular; La entalpía de fusión y la temperatura son características de la solubilidad de los sólidos en líquidos; Y la densidad de IL arrojó luz sobre el poder de solubilidad del disolvente (IL). Estas variables están fácilmente disponibles para todo el banco de datos. Otras variables mencionadas por el revisor no están disponibles para todos los compuestos y la temperatura de vaporización no tiene sentido en este sistema ya que la evaporación de los IL es infinitesimal. Teniendo en cuenta este punto de vista, se seleccionaron estas variables para modelar los sistemas en cuestión.

Estos análisis y análisis adicionales de los modelos ML se implementan sobre la base de un banco de datos de solubilidad (647 puntos de datos de 19 SA y 21 IL). El banco de datos se presenta en la Tabla 2. Las propiedades de los IL y SA también se resumen en las Tablas 3 y 4, respectivamente.

Las redes neuronales artificiales (ANN) tienen diferentes variantes, incluido el perceptrón multicapa (MLP), la función de base radial (RBF), las redes neuronales recurrentes (RNN), la red neuronal de regresión general (GRNN) y la red neuronal de retroalimentación en cascada (CFFNN)87 ,88. La sección significativa más pequeña de la ANN son las neuronas artificiales, que están asignadas para realizar cálculos basados ​​en la ecuación. (4)89.

En la ecuación. (4), z representa la salida de la neurona; mientras que una neurona artificial particular recibió n entradas (\({\mathrm{x}}_{\mathrm{i}}\)), y cada conexión se ajusta mediante un peso correspondiente (\({\mathrm{w}}_ {\mathrm{i}}\)). Además, cada neurona contiene un parámetro de ajuste adicional, que se llama sesgo (\(\mathrm{b}\)). Para superar la restricción de asignaciones de entrada-salida únicamente lineales y proponer una estrategia para modelar relaciones no lineales, también se incorpora en el cuerpo de la neurona una función de activación frecuentemente no lineal (\(\mathrm{\varphi }\)). En la estructura neuronal se pueden implementar funciones de activación lineal, hiperbólica, tangente, logística y gaussiana90.

Todos los modelos de ANN incluyen tres tipos de capas: una capa de entrada que recibe las variables independientes, la capa de salida que entrega la predicción objetivo y una o varias capas ocultas que tienen la tarea de procesamiento y reconocimiento de datos90. La cantidad de características independientes y variables dependientes determina la cantidad de elementos en las capas de entrada y salida, respectivamente.

La fase de entrenamiento de ANN es responsable de obtener valores apropiados de sesgo/peso que proporcionen la mejor precisión de predicción para una variable dependiente. Este estudio aplicó los siguientes modelos ANN para encontrar el mejor en el cálculo de las solubilidades de SA en una variedad de IL.

Este modelo utiliza una técnica de aprendizaje supervisado llamada retropropagación para el entrenamiento y es un modelo confiable en muchos campos del modelado. Este estudio equipa las capas oculta y de salida del modelo MLP con la tangente hiperbólica [Ec. (5)] y logaritmo sigmoideo [Ec. (6)] funciones de activación, respectivamente90.

Este modelo utiliza Gaussiano o RBF como función de activación [Ec. (7)64] en la capa oculta, mientras que su salida es una combinación lineal de parámetros neuronales y transformación RBF de las entradas [Ec. (8)]. Una de las mejores características de este modelo es su simplicidad y su naturaleza de entrenamiento rápido47.

donde \(\upsigma\) es el factor de dispersión.

Para obtener el mejor rendimiento de RBF, se deben determinar cuidadosamente el número de nodos en la capa oculta y el coeficiente de dispersión47.

Este modelo genera una configuración en cascada que vincula los nodos de la entrada con las capas oculta y de salida46. Este modelo también utiliza las funciones de transferencia tangente hiperbólica y logaritmo sigmoidea en las capas oculta y de salida, respectivamente.

Vale la pena señalar que el paso de aprendizaje altera los pesos y sesgos de la conexión mediante un algoritmo de optimización predefinido. Este algoritmo de optimización cambia continuamente los pesos y sesgos del modelo para minimizar el error de predicción entre la salida del modelo y el objetivo esperado (datos reales). Este estudio emplea el algoritmo Levenberg-Marquardt (LM) para realizar la fase de entrenamiento de los modelos CFF y MLP.

Al igual que MLP y CFFNN, este tipo de ANN también constituye las capas de entrada, oculta y de salida. Las dos últimas capas tienen funciones de transferencia lineal y gaussiana, respectivamente. La única diferencia entre las topologías GRNN y RBFN es que el número de neuronas ocultas de la primera es fijo y no se puede manipular91.

ANFIS está diseñado combinando lógica difusa y ANN para beneficiarse de la solidez de ambos modelos. Este modelo consta de cinco capas sucesivas, a saber, la primera capa (formación difusa), la segunda capa (reglas difusas), la tercera capa (normalización de funciones de membresía), la cuarta capa (sección de conclusión de reglas difusas) y la quinta capa ( cálculo de salida). Al minimizar el error observado entre las respuestas previstas y reales utilizando un escenario apropiado, se pueden ajustar los parámetros de ANFIS92.

Este método es capaz de transferir las variables independientes a un espacio multidimensional mediante la aplicación de funciones kernel (K)92. Los tipos de núcleo más conocidos y utilizados en el modelo LSSVR son polinomiales, lineales y gaussianos.

Para comprobar la fiabilidad de los modelos, se utilizaron el coeficiente de determinación (R2), el error cuadrático medio (MSE), la desviación cuadrática media (RMSE), el porcentaje de desviación relativa absoluta promedio (AARD), el error absoluto medio (MAE) y el error absoluto (RAE), que se presentan en las Ecs. (9-14), se evalúan. Estas variables luego se emplean para clasificar los modelos.

Esta sección incluye los resultados del análisis de relevancia, el análisis de clasificación y una investigación detallada para determinar el mejor modelo para predecir la solubilidad de SA en IL.

Los coeficientes de correlación (factores de relevancia) entre las variables dependientes e independientes se calculan mediante los 3 métodos y se presentan en la Fig. 1. Para este fin, se utilizan 6 parámetros efectivos, a saber, temperatura, PM y densidades de solventes (IL), PM del soluto (SA). ), y se evaluaron la temperatura de fusión y la entalpía del SA, entre las cuales la temperatura y la temperatura de fusión aparentemente tienen el mayor impacto en la solubilidad. El PM de los SA, así como la entalpía de fusión, también tienen un gran impacto en la solubilidad de los SA en los IL. Los factores de relevancia observados muestran que, si bien la temperatura y las propiedades de los IL (MW y densidad) mejoran la solubilidad de los SA, las características de los SA (MW, temperatura de fusión y entalpía) tienen el efecto opuesto.

Los resultados del análisis de relevancia para la solubilidad de alcoholes de azúcar en líquidos iónicos.

El siguiente análisis presenta una prueba de clasificación, que establece una comparación entre los modelos investigados. Esto se aborda en la Fig. 2. Vale la pena señalar que esta comparación se realiza en sus mejores estructuras. Las características de la preevaluación de los modelos, así como el mejor desempeño de cada modelo, se abordan en las Tablas 5 y 6.

Comparación de las redes neuronales empleadas en función de su mejor desempeño para la solubilidad de alcoholes de azúcar en líquidos iónicos.

En función de su desempeño en las fases de entrenamiento, prueba y combinación, los modelos se clasifican y comparan en esta figura. La fase de formación incluyó el 85% de todo el banco de datos. Para ello, se calculó el rango con base en la Ec. (15) y los índices de rango ya calculados por las Ecs. (9)–(14).

Los resultados de la prueba de clasificación aclaran que el modelo ANFIS ofrece las mejores estimaciones de los datos de solubilidad para el entrenamiento, las pruebas y el banco de datos completo, mientras que RBFNN presenta la menor precisión en la misma distribución de datos. Como consecuencia, el modelo ANFIS se presenta como el mejor modelo y se aplica para simular diferentes sistemas SA-IL en las siguientes secciones. Este modelo predice datos experimentales generales con AARD = 7,43 %, MAE = 0,017, RAE = 9,28 %, MSE = 0,0009, RMSE = 0,03 y R2 = 0,98260.

La Figura 3 muestra las solubilidades calculadas por el modelo ANFIS (Fig. 3A-C), así como las desviaciones relativas (Fig. 3D), frente a los valores experimentales. Estas cifras confirman que las solubilidades calculadas en los dos pasos de entrenamiento y prueba son cercanas a las reales, lo que indica la efectividad del modelo. La distribución de las desviaciones relativas también confirma esta afirmación.

El rendimiento general del modelo ANFIS para la disolución de alcoholes de azúcar en líquidos iónicos en términos de los resultados calculados en (A) entrenamiento, (B) pruebas y (C) conjuntos de datos completos y (D) desviaciones relativas utilizando el modelo ANFIS. .

Las observaciones de esta figura también muestran que no se ha producido sobreajuste en este sistema. De hecho, cuando un procedimiento de cálculo tiende a aprender cada detalle de un sistema en el paso de entrenamiento, y luego el modelo actúa de manera inexacta para estimar los datos de prueba, se ha producido un sobreajuste. Una indicación de sobreajuste en un sistema es un pequeño error en el conjunto de datos de entrenamiento, mientras que hay grandes errores en el conjunto de datos de prueba. Como consecuencia del sobreajuste, el modelo no es capaz de generalizar las características o patrones que ya se han aprendido en la fase de entrenamiento. Una razón para el sobreajuste es a menudo la distribución insuficiente de los conjuntos de datos de entrenamiento y prueba, es decir, un pequeño conjunto de datos de entrenamiento, lo que no fue el caso en este estudio. La distribución de datos empleada en este estudio (85% para el conjunto de entrenamiento) y también la precisión en los conjuntos de datos de entrenamiento y prueba significan que el modelo ANFIS no cayó en el pozo de sobreajuste. Este problema se puede entender mediante el seguimiento de los residuos y las desviaciones estándar en las categorías de capacitación y prueba.

Los ingredientes de la Fig. 4, que representan los residuos (\({\mathrm{X}}_{\mathrm{i}}^{\mathrm{exp}.}-{\mathrm{X}}_{\mathrm Las distribuciones {i}}^{\mathrm{calc}.}\)) indican que las de la mayor parte del conjunto de datos en entrenamiento, pruebas y conjuntos de datos completos se encuentran dentro del rango de ± 0,05 (fracción molar). Para ello se calcularon los valores residuales promedio y las desviaciones estándar con base en las Ecs. (16) y (17)64, respectivamente. El modelo ANFIS presenta 0,0020004, 0,0019553 y 0,0019937 residuos para las pruebas, el entrenamiento y los conjuntos de datos completos, mientras que las desviaciones estándar son 0,029708, 0,031421 y 0,029946, respectivamente.

Los histogramas de las desviaciones de ANFIS en (A) entrenamiento, (B) pruebas y (C) conjuntos de datos completos.

Una medida cuantitativa de la aplicabilidad del modelo ANFIS, que se presenta en términos de residuos estandarizados [Ec. (18)] y el índice Hat [Ec. (19)], se aborda en la Fig. 5. En la ecuación. (19), M es una matriz NDP × 6 que muestra las cantidades experimentales de la variable independiente. Luego, el método de apalancamiento puede explorar la región a la que se aplica un modelo con el uso de información residual estandarizada cuando están en el rango de ± 3. En la Fig. 5, este rango se identifica mediante líneas de puntos. La ecuación (20) se utiliza para determinar la cantidad de apalancamiento crítico.

El análisis del método de apalancamiento para detectar los puntos de datos válidos y sospechosos para la disolución de alcoholes de azúcar en líquidos iónicos.

El dominio de aplicabilidad del modelo ANFIS y los límites correspondientes se definen en la Fig. 5. En pocas palabras, el método de apalancamiento confirma que el modelo ANFIS es fácilmente capaz de estimar la solubilidad de SA en IL basándose en el banco de datos recopilado con alta confiabilidad. Para profundizar en esto, dado que solo 20 puntos de datos entre 647 muestras de solubilidad se identificaron como buen apalancamiento (Índice Hat > apalancamiento crítico) o valor atípico (residuos estandarizados fuera del rango de ± 3), el dominio de aplicabilidad incluye más del 96,9% de todo el banco de datos. Teniendo en cuenta estos hallazgos, el modelo ANFIS es confiable debido a su alto nivel de cobertura y amplia gama de aplicabilidad.

La solubilidad del sorbitol en diversas IL se presenta en la Fig. 6 y se compara con los cálculos de ANFIS. Claramente, el modelo puede representar los datos de solubilidad en todo el rango de temperaturas y también puede distinguir el efecto del tipo de solvente. La Figura 7, que aborda el impacto del IL en la solubilidad del xilitol, también muestra que los resultados de ANFIS son lo suficientemente precisos en los rangos de solubilidad baja a alta. En la Fig. 8 han existido observaciones similares para la solubilidad de la fructosa en diferentes IL. De esta figura se infiere que el modelo ANFIS puede simular incluso cambios bruscos de solubilidad con la temperatura con notable precisión.

Comparación de las solubilidades experimentales del sorbitol en diversos líquidos iónicos con el resultado del modelo ANFIS.

Comparación de las solubilidades experimentales del xilitol en diversos líquidos iónicos con el resultado del modelo ANFIS.

Comparación de las solubilidades experimentales de la fructosa en diversos líquidos iónicos con el resultado del modelo ANFIS.

El comportamiento de solubilidad de la fructosa, glucosa y sacarosa en [C4C1Im][CF3CO2] IL se presenta en la Fig. 9, lo que significa que están bien estimados por el modelo ANFIS dentro de todo el rango de temperaturas.

Comparación de las solubilidades experimentales de fructosa, glucosa y sacarosa en líquido iónico [C4C1Im][CF3CO2] y con el resultado del modelo ANFIS.

[C4C1Im][(OCH3)2PO4] IL que ofrece una capacidad de solubilidad de baja a alta para diferentes compuestos SA, incluidas xilosa, glucosa y fructosa, se evalúa y se compara con las estimaciones de ANFIS en la Fig. 10. Se puede ver que la El modelo puede describir el comportamiento de solubilidad de diferentes pares de IL-SA, desde un rango de solubilidad bajo a alto, con notable precisión.

Comparación de las solubilidades experimentales de fructosa, glucosa y sacarosa en líquido iónico [C4C1Im][(OCH3)2PO4] con el resultado del modelo ANFIS.

El impacto del compuesto SA y la temperatura en la capacidad de absorción de [bmim][DCA] IL se compara en la Fig. 11. A pesar de algunas discrepancias menores en el rango de solubilidad más alto, el modelo ANFIS puede representar los datos reales con precisión. Vale la pena discutir que el conjunto de datos recopilados y las discrepancias de los diferentes conjuntos de datos también afectan la precisión del modelo ANFIS y una parte importante del error observado surge de esta dispersión. Esta cuestión se magnifica bien en la figura 11B. Según la figura, existe más de una referencia para los datos recopilados de solubilidades de sorbitol, glucosa y fructosa en [bmim][DCA], y la cantidad reportada e incluso las tendencias en cada caso varían en gran medida, lo que genera incertidumbres en el comportamiento del modelo.

Comparación de las solubilidades experimentales de (A) xilosa, manosa y galactosa, y (B) sorbitol, glucosa y fructosa en líquido iónico [bmim][DCA] con el resultado del modelo ANFIS.

La Tabla 7 resume el rendimiento del modelo ANFIS para predecir el equilibrio de fases de varios pares SA-IL. La mayor desviación se observa en el caso de la solubilidad del D-xilitol en [bmim][C(CN)3] (ARD = 9,72% y AARD = 29,62%) y las mayores desviaciones relativas (Min RD = − 28,02% y Max RD = 75,23%) también pertenecen a un punto de datos del mismo sistema. Sin embargo, el% AARD máximo no supera el 10% en la mayoría de los pares SA-IL, lo que significa la precisión del modelo ANFIS al representar los datos de solubilidad de SA en IL. El modelo ANFIS se puede emplear además para el modelado de datos de solubilidad en varias soluciones compuestas de compuestos SA e IL.

Aunque por el momento no se pueden encontrar en la literatura estudios de ML que consideren los sistemas en cuestión, una comparación entre cualquier enfoque de modelado disponible con el desarrollado aquí es de gran interés y luego puede arrojar luz sobre la calidad de los modelos de ML. Los procedimientos de cálculo anteriores para la solubilidad de SA en IL incluyen modelos termodinámicos que se benefician del uso de ACM, incluidos principalmente NRTL y UNIQUAC y EoS como PC-SAFT.

Con este fin, PC-SAFT es un EoS popular que puede beneficiarse de esquemas predictivos o correlativos. Carneiro et al.33 desarrollaron cálculos basados ​​en este método para las solubilidades del xilitol y el sorbitol en dicianamida de 1-etil-3-metilimidazolio, dicianamida de 1-butil-3-metilimidazolio, dicianamida de Aliquat®, dicianamida de trihexiltetradecilfosfonio y dicianamida de 1-etil-3. -trifluoroacetato de metilimidazolio a 288–339 K. En todos los sistemas investigados, obtuvieron desviaciones de 3,7–112,2% y 3,3–21,7% cuando se emplearon los enfoques predictivo y correlativo, respectivamente. El uso de un parámetro de ajuste en los cálculos, que se determinó basándose en la regresión de los datos de solubilidad, mejoró notablemente la precisión de los cálculos. Paduszynski et al.37 también se beneficiaron del mismo enfoque con algunas modificaciones menores para el sistema, incluidas las IL de trifluoroacetato de 1-butil-3-metilimidazolio dicianamida y 1-butil-3-metilimidazolio y las SA de glucosa, fructosa y sacarosa. Luego, informaron una concordancia muy pobre entre los cálculos y las mediciones en el modo predictivo. Al beneficiarse de dos parámetros ajustables y de la regresión de las temperaturas de solubilidad, mejoraron considerablemente la precisión del modelo. Su estudio posterior también informó las mismas tendencias38. Aunque este método de cálculo tuvo éxito y en muchos casos es comparable a los cálculos ML de este estudio, exige un procedimiento de regresión de dos pasos que incluye la optimización de datos puros y binarios.

Las solubilidades de la glucosa, la fructosa, la xilosa y la galactosa en dos IL, a saber, el etilsulfato de 1-etil-3-metilimidazolio (también conocido como [emim][EtSO4]) y el Aliquat®336 a 288-328 K, fueron modeladas por Carneiro y compañeros de trabajo31 mediante el uso de ecuaciones NRTL y UNIQUAC. El % AARD obtenido para las dos ecuaciones no superó el 4 % (basado en fracciones molares) en casi todos los casos, y no se observó ninguna diferencia significativa entre las dos ecuaciones. Luego, este equipo32 utilizó una metodología similar dentro de los mismos ACM y una ecuación e-NRTL para los sistemas compuestos de xilitol y sorbitol y varios IL. Sus cálculos basados ​​en ACM NRTL, UNIQUAC y e-NRTL dieron como resultado desviaciones de 0,9–3,7%, 1,1–3,2% y 0,7–2,6%, respectivamente. Se informaron observaciones similares en estudios posteriores del mismo grupo de investigación34. En comparación con los modelos ML, los modelos termodinámicos basados ​​en ecuaciones de coeficientes de actividad exigen cálculos más sofisticados, así como un procedimiento basado en regresión, lo que puede conducir a la acumulación de una gran cantidad de parámetros para una gran cantidad de sistemas binarios SA-IL.

Recientemente se han introducido líquidos iónicos para mejorar el desarrollo de compuestos derivados del azúcar y su extracción eficiente. Este estudio es el primer intento de desarrollar varios modelos de aprendizaje automático para predecir la solubilidad de los alcoholes de azúcar en líquidos iónicos. Se implementaron modelos de aprendizaje automático utilizando 647 muestras de solubilidad de 19 alcoholes de azúcar en 21 líquidos iónicos recopilados de la literatura. Después de detectar las variables efectivas, es decir, la temperatura, el peso molecular y la densidad de las IL, el peso molecular de las SA, la temperatura de fusión y la entalpía, las redes neuronales artificiales, los mínimos cuadrados admiten la regresión vectorial y el sistema de inferencia neurodifusa adaptativa (ANFIS). ) entre los cuales, ANFIS fue el superior. La precisión de este modelo fue aprobada por un R2 de 0,98359 y un AARD de 7,43% para estimar todo el banco de datos. Por el contrario, la red neuronal de base radial se identifica como el peor modelo con AARD = 18,21% y R2 = 0,93202. La verificación de las predicciones del modelo ANFIS mediante el método de apalancamiento mostró que este modelo es confiable debido a su amplio rango de aplicabilidad y un notable nivel de cobertura. Los resultados de esta investigación pueden contribuir al cribado de disolventes líquidos iónicos para la adecuada extracción de alcoholes de azúcar. Además, los modelos ANFIS se pueden emplear de manera eficiente para estimar la solubilidad en los sistemas SA-IL investigados.

Todos los datos recopilados de la literatura que se analizan en el presente estudio se agregan al manuscrito (consulte la Información complementaria).

Nunes, LJR, Causer, TP & Ciolkosz, D. Biomasa para energía: una revisión de los modelos de gestión de la cadena de suministro. Renovar. Sostener. Energía Rev. 120, 109658 (2020).

Artículo de Google Scholar

Wang, G. y col. Una revisión de los avances recientes en la pirólisis de biomasa. Combustibles energéticos 34, 15557–15578 (2020).

Artículo CAS Google Scholar

Osman, AI y cols. Conversión de biomasa en biocombustibles y evaluación del ciclo de vida: una revisión. Reinar. Química. Letón. 19, 4075–4118 (2021).

Artículo CAS Google Scholar

Bakhtyari, A., Makarem, MA y Rahimpour, MR Sistemas de bioenergía para el futuro 87–148 (Woodhead Publishing, 2017).

Reservar Google Académico

Testa, ML & Tummino, ML Biomasa de lignocelulosa como herramienta multifuncional para catálisis y productos químicos sostenibles: una descripción general. Catalizadores 11, 125 (2021).

Artículo CAS Google Scholar

Lin, C.-Y. & Lu, C. Perspectivas de desarrollo de materias primas de lignocelulosa prometedoras para la producción de biocombustibles de generación avanzada: una revisión. Renovar. Sostener. Energía Rev. 136, 110445 (2021).

Artículo CAS Google Scholar

Wang, C. y col. Una revisión de la conversión de biomasa de lignocelulosa en combustibles líquidos para el transporte mediante estrategias integradas de refinación. Proceso de combustible. Tecnología. 208, 106485 (2020).

Artículo CAS Google Scholar

Yamaguchi, A., Sato, O., Mimura, N. y Shirai, M. Producción catalítica de alcoholes de azúcar a partir de biomasa lignocelulósica. Catalán. Hoy 265, 199–202. https://doi.org/10.1016/j.cattod.2015.08.026 (2016).

Artículo CAS Google Scholar

Erian, AM y Sauer, M. Utilización de levaduras para la conversión de materias primas renovables en alcoholes de azúcar: una revisión. Biorrecurso. Tecnología. 346, 126296. https://doi.org/10.1016/j.biortech.2021.126296 (2022).

Artículo CAS PubMed Google Scholar

da Costa Lopes, AM, João, KG, Morais, ARC, Bogel-Łukasik, E. & Bogel-Łukasik, R. Líquidos iónicos como herramienta para el fraccionamiento de biomasa lignocelulósica. Sostener. Química. Proceso. 1, 1–31 (2013).

Artículo de Google Scholar

Abbasi, AR y cols. Avances recientes en la producción de alcoholes de azúcar y azúcares funcionales mediante la ingeniería de Yarrowia lipolytica. Frente. Bioeng. Biotecnología. 9, 648382 (2021).

Artículo PubMed PubMed Central Google Scholar

Fickers, P., Cheng, H. & SzeKiLin, C. Síntesis de alcoholes de azúcar y ácidos orgánicos en Yarrowia lipolytica: ¿Dónde estamos? Microorganismos 8, 574 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Park, Y.-C., Oh, EJ, Jo, J.-H., Jin, Y.-S. y Seo, J.-H. Avances recientes en la producción biológica de alcoholes de azúcar. actual. Opinión. Biotecnología. 37, 105-113 (2016).

Artículo CAS PubMed Google Scholar

Grembecka, M. Alcoholes de azúcar: su papel en el mundo moderno de los edulcorantes: una revisión. EUR. Res. alimentaria. Tecnología. 241, 1-14 (2015).

Artículo CAS Google Scholar

Amarasekara, AS Líquidos iónicos en el procesamiento de biomasa. isr. J. química. 59, 789–802 (2019).

Artículo CAS Google Scholar

Tan, SSY y MacFarlane, DR Líquidos iónicos en el procesamiento de biomasa. Líquidos iónicos 1, 311–339 (2009).

Artículo de Google Scholar

Rajamani, S., Santhosh, R., Raghunath, R. & Jadhav, SA Productos químicos de valor agregado a partir del bagazo de caña de azúcar que utilizan líquidos iónicos. Química. Papilla. 75, 5605–5622 (2021).

Artículo CAS Google Scholar

Parvaneh, K., Rasoolzadeh, A. y Shariati, A. Modelado del comportamiento de fase de refrigerantes con líquidos iónicos utilizando la ecuación de estado QC-PC-SAFT. J. Mol. Licuado. 274, 497–504. https://doi.org/10.1016/j.molliq.2018.10.116 (2019).

Artículo CAS Google Scholar

Singh, SK y Savoy, AW Síntesis y aplicaciones de líquidos iónicos: descripción general. J. Mol. Licuado. 297, 112038 (2020).

Artículo CAS Google Scholar

Sedghamiz, MA, Rasoolzadeh, A. & Rahimpour, MR La capacidad de una red neuronal artificial para predecir la solubilidad de gases ácidos en diferentes líquidos iónicos. J. Utilidad de CO2. 9, 39–47. https://doi.org/10.1016/j.jcou.2014.12.003 (2015).

Artículo CAS Google Scholar

Rasoolzadeh, A. et al. Un marco termodinámico para la determinación de las condiciones de estabilidad de los hidratos de gas y la actividad del agua en una solución acuosa de líquido iónico. J. Mol. Licuado. 347, 118358 (2022).

Artículo CAS 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

Rasoolzadeh, A., Javanmardi, J., Eslamimanesh, A. y Mohammadi, AH Estudio experimental y modelado del tiempo de inducción de la formación de hidrato de metano en presencia de líquidos iónicos. J. Mol. Licuado. 221, 149-155. https://doi.org/10.1016/j.molliq.2016.05.016 (2016).

Artículo CAS Google Scholar

Welton, T. Líquidos iónicos: una breve historia. Biofísica. Rev. 10, 691–706 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Brandt, A., Gräsvik, J., Hallett, JP y Welton, T. Deconstrucción de biomasa lignocelulósica con líquidos iónicos. Química verde. 15, 550–583 (2013).

Artículo CAS Google Scholar

Reddy, P. Una revisión crítica de los líquidos iónicos para el pretratamiento de biomasa lignocelulósica. S. África. J. Ciencias. 111, 1–9 (2015).

Artículo de Google Scholar

Tu, W.-C. & Hallett, JP Avances recientes en el pretratamiento de biomasa lignocelulósica. actual. Opinión. Sostenimiento verde. Química. 20, 11-17 (2019).

Artículo de Google Scholar

Usmani, Z. y col. Pretratamiento a base de líquido iónico de biomasa lignocelulósica para mejorar la bioconversión. Biores. Tecnología. 304, 123003 (2020).

Artículo CAS Google Scholar

Roy, S. & Chundawat, SPS Pretratamiento a base de líquido iónico de biomasa lignocelulósica para bioconversión: una revisión crítica. Bioenergía Res. 1, 1-16 (2022).

Google Académico

Xia, Z. y col. Procesamiento y valorización de celulosa, lignina y lignocelulosa mediante líquidos iónicos. J. Bioresour. Bioproducto. 5, 79–95 (2020).

Artículo CAS Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, EA Solubilidad de monosacáridos en líquidos iónicos: datos experimentales y modelado. Equilibrio de fase fluida. 314, 22-28 (2012).

Artículo CAS Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, EA Solubilidad de xilitol y sorbitol en líquidos iónicos: datos experimentales y modelado. J. química. Termodina. 55, 184-192 (2012).

Artículo CAS Google Scholar

Carneiro, AP, Held, C., Rodriguez, O., Sadowski, G. & Macedo, EA Solubilidad de azúcares y alcoholes de azúcar en líquidos iónicos: medición y modelado PC-SAFT. J. Física. Química. B 117, 9980–9995 (2013).

Artículo CAS PubMed Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, ENA Disolución de fructosa y glucosa en líquidos iónicos: solubilidad y modelado termodinámico. Ing. de Indiana. Química. Res. 52, 3424–3435 (2013).

Artículo CAS Google Scholar

Mohan, M., Goud, VV y Banerjee, T. Solubilidad de glucosa, xilosa, fructosa y galactosa en líquidos iónicos: estudios experimentales y teóricos utilizando un modelo de solvatación continua. Equilibrio de fase fluida. 395, 33–43 (2015).

Artículo CAS Google Scholar

Mohan, M., Banerjee, T. & Goud, VV Equilibrio líquido sólido de celobiosa, sacarosa y maltosa monohidrato en líquidos iónicos: conocimientos químicos experimentales y cuánticos. J. química. Ing. Datos 61, 2923–2932 (2016).

Artículo CAS Google Scholar

Paduszynski, K., Okuniewski, M. & Domanska, U. Sistemas “dulce en verde” basados ​​en azúcares y líquidos iónicos: nuevos datos de solubilidad y análisis termodinámico. Ing. de Indiana. Química. Res. 52, 18482–18491 (2013).

Artículo CAS Google Scholar

Paduszyński, K., Okuniewski, M. & Domańska, U. Equilibrios de fase sólido-líquido en mezclas binarias de líquidos iónicos funcionalizados con alcoholes de azúcar: nuevos datos experimentales y modelos. Equilibrio de fase fluida. 403, 167-175 (2015).

Artículo de Google Scholar

Paduszyński, K., Okuniewski, M. & Domańska, U. Un efecto de la funcionalización catiónica sobre las propiedades termofísicas de los líquidos iónicos y la solubilidad de la glucosa en ellos: mediciones y cálculos de PC-SAFT. J. química. Termodina. 92, 81–90 (2016).

Artículo de Google Scholar

Teles, ARR et al. Solubilidad y solvatación de monosacáridos en líquidos iónicos. Física. Química. Química. Física. 18, 19722-19730 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Yang, X., Wang, J. & Fang, Y. Solubilidad y termodinámica de solución de glucosa y fructosa en tres líquidos iónicos dicatiónicos asimétricos de 323,15 K a 353,15 KJ Chem. Termodina. 139, 105879 (2019).

Artículo CAS Google Scholar

Abbasi, M., Pazuki, G., Raisi, A. y Baghbanbashi, M. Propiedades termofísicas y reológicas de soluciones líquidas iónicas de sorbitol + ([mmim] (MeO) 2PO2): solubilidad, densidad y viscosidad. Química de los alimentos. 320, 126566 (2020).

Artículo CAS PubMed Google Scholar

Zarei, S., Abdolrahimi, S. & Pazuki, G. Caracterización termofísica de mezclas de sorbitol y acetato de 1-etil-3-metilimidazolio. Equilibrio de fase fluida. 497, 140-150 (2019).

Artículo de Google Scholar

Ruiz-Aceituno, L., Carrero-Carralero, C., Ramos, L. & Sanz, M. L. Selective fractionation of sugar alcohols using ionic liquids. Sep. Purif. Technol. 209, 800–805 (2019).

Artículo CAS Google Scholar

Jeon, PR y Lee, C.-H. Modelado de redes neuronales artificiales para la solubilidad del dióxido de carbono en diversas soluciones acuosas, desde agua pura hasta salmuera. J. Utilidad de CO2. 47, 101500 (2021).

Artículo CAS Google Scholar

Amar, MN Modelado de la solubilidad del azufre en mezclas de sulfuro de hidrógeno puro y gases ácidos mediante rigurosos métodos de aprendizaje automático. En t. J. Energía de hidrógeno 45, 33274–33287 (2020).

Artículo de Google Scholar

Hemmati-Sarapardeh, A., Amar, MN, Soltanian, MR, Dai, Z. y Zhang, X. Modelado de la solubilidad del CO2 en agua en condiciones de alta presión y temperatura. Combustibles energéticos 34, 4761–4776 (2020).

Artículo CAS Google Scholar

Vanani, MB, Daneshfar, R. y Khodapanah, E. Un nuevo enfoque MLP para estimar el contenido de asfaltenos del petróleo crudo. Mascota. Ciencia. Tecnología. 37, 2238–2245 (2019).

Artículo CAS Google Scholar

Daneshfar, R., Keivanimehr, F., Mohammadi-Khanaposhtani, M. y Baghban, A. Una estrategia de computación neuronal para estimar la presión del punto de rocío de yacimientos de condensado de gas. Mascota. Ciencia. Tecnología. 38, 706–712 (2020).

Artículo CAS Google Scholar

Bakhtyari, A., Mofarahi, M. & Iulianelli, A. Modelado combinado de inteligencia artificial y matemática de la conversión catalítica de biometanol en éter dimetílico. Conversaciones de energía. Gestionar. 276, 116562. https://doi.org/10.1016/j.enconman.2022.116562 (2023).

Artículo CAS Google Scholar

Bakhtyari, A., Bardool, R., Reza Rahimpour, M., Mofarahi, M. y Lee, C.-H. Análisis de rendimiento y modelado de inteligencia artificial para mejorar la producción de hidrógeno mediante reformado catalítico de bioalcohol en un reactor asistido por membrana. Química. Ing. Ciencia. https://doi.org/10.1016/j.ces.2022.118432 (2022).

Artículo de Google Scholar

Mehrabi, K., Bakhtyari, A., Mofarahi, M. y Lee, C.-H. Cálculo fácil y preciso de la densidad de soluciones salinas de aminoácidos: una correlación simple y general versus redes neuronales artificiales. Combustibles energéticos 36, 7661–7675 (2022).

Artículo CAS Google Scholar

Baskin, I., Epshtein, A. y Ein-Eli, Y. Evaluación comparativa de métodos de aprendizaje automático para modelar propiedades físicas de líquidos iónicos. J. Mol. Licuado. 351, 118616 (2022).

Artículo CAS Google Scholar

Duong, DV y cols. Investigación con aprendizaje automático de la viscosidad y conductividad iónica de líquidos iónicos próticos en mezclas de agua. J. química. Física. 156, 154503 (2022).

Artículo ADS CAS PubMed Google Scholar

Nakhaei-Kohani, R. et al. Modelos basados ​​en estructuras asistidos por aprendizaje automático para predecir la conductividad eléctrica de líquidos iónicos. J. Mol. Líquidos 362, 119509 (2022).

Artículo CAS Google Scholar

Bakhtyari, A., Rasoolzadeh, A., Mehrabi, K., Mofarahi, M. y Lee, C.-H. Estimación sencilla de la viscosidad de soluciones salinas de aminoácidos naturales: modelos empíricos versus inteligencia artificial. Resultados Ing. 18, 101187. https://doi.org/10.1016/j.rineng.2023.101187 (2023).

Artículo CAS Google Scholar

Daneshfar, R. y col. Investigación experimental y modelado de interacciones de fluidos y rocas carbonatadas con el agente quelante EDTA durante el proceso EOR. Combustibles energéticos 1, 1–10 (2023).

Google Académico

Syah, R., Naeem, MHT, Daneshfar, R., Dehdar, H. y Soulgani, BS Sobre la predicción de la adsorción de metano en esquisto utilizando el enfoque de máquina de vectores de soporte optimizador de lobo gris. Petróleo 8, 264–269 (2022).

Artículo de Google Scholar

Ge, H., Zheng, J. & Xu, H. Avances en el aprendizaje automático para aplicaciones de biomasa lignocelulósica de alto valor añadido. Biorrecurso. Tecnología. 1, 128481 (2022).

Google Académico

Pirdashti, M., Curteanu, S., Kamangar, MH, Hassim, MH y Khatami, M. Redes neuronales artificiales: aplicaciones en ingeniería química. Rev. Química. Ing. 29, 205–239 ​​(2013).

Artículo CAS Google Scholar

Çolak, AB Estudio experimental sobre la conductividad térmica de nanofluidos de óxido de circonio a base de agua: desarrollo de una red neuronal artificial óptima y propuesta de una nueva correlación. En t. J. Energía Res. 45(2), 2912–2930 (2021).

Artículo MathSciNet Google Scholar

Schober, P., Boer, C. & Schwarte, LA Coeficientes de correlación: uso e interpretación adecuados. Anestesia. Analgésico. 126, 1763-1768 (2018).

Artículo PubMed Google Scholar

Wackerly, D., Mendenhall, W. & Scheaffer, RL Estadística matemática con aplicaciones (Cengage Learning, 2014).

MATEMÁTICAS Google Scholar

Zhu, X. y col. Aplicación de métodos de aprendizaje automático para estimar y comparar la capacidad de absorción de dióxido de azufre de una variedad de solventes eutécticos profundos. J. Limpio. Pinchar. 363, 132465 (2022).

Artículo CAS Google Scholar

Van Doorn, J., Ly, A., Marsman, M. y Wagenmakers, E.-J. Inferencia bayesiana para el coeficiente de correlación de rangos de Kendall. Soy. Estadística. 72, 303–308 (2018).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Paduszynski, K., Okuniewski, M. y Domanska, U. Materias primas renovables en disolventes verdes: estudio termodinámico de diagramas de fases de d-sorbitol y xilitol con líquidos iónicos a base de dicianamida. J. Física. Química. B 117, 7034–7046 (2013).

Artículo CAS PubMed Google Scholar

Conceiçao, LJA, Bogel-Łukasik, E. & Bogel-Łukasik, R. Una nueva perspectiva sobre la solubilidad de carbohidratos y alcoholes de azúcar en líquidos iónicos. RSC Avanzado. 2, 1846–1855 (2012).

ADS del artículo Google Scholar

Hassan, E.-SRE, Mutelet, F., Pontvianne, S. y Moise, J.-C. Estudios sobre la disolución de glucosa en líquidos iónicos y extracción mediante el método antisolvente. Reinar. Ciencia. Tecnología. 47, 2809–2816 (2013).

Artículo ADS CAS PubMed Google Scholar

Hassan, E.-SRE, Mutelet, F. y Moïse, J.-C. Desde la disolución hasta la extracción de carbohidratos mediante líquidos iónicos. RSC Avanzado. 3, 20219–20226 (2013).

Artículo ADS CAS Google Scholar

Klomfar, J., Součková, M. & Pátek, J. P –ρ –T mediciones para dicianamidas de 1-etil y 1-butil-3-metilimidazolio desde su temperatura de fusión hasta 353 K y hasta 60 MPa de presión. J. química. Ing. Datos 57, 1213–1221 (2012).

Artículo CAS Google Scholar

de Castro, CAN et al. Estudios de densidad, capacidad calorífica, tensión superficial y difusión por dilución infinita con los líquidos iónicos [C4mim][NTf2],[C4mim][dca],[C2mim][EtOSO3] y [Aliquat][dca]. Equilibrio de fase fluida. 294, 157-179 (2010).

Artículo de Google Scholar

Rodriguez, H. & Brennecke, JF Dependencia de la temperatura y la composición de la densidad y viscosidad de mezclas binarias de agua + líquido iónico. J. química. Ing. Datos 51, 2145–2155 (2006).

Artículo CAS Google Scholar

Matkowska, D. & Hofman, T. Propiedades volumétricas de alta presión de líquidos iónicos: tetrafluoroborato de 1-butil-3-metilimidazolio, [C4mim][BF4], metilsulfato de 1-butil-3-metilimidazolio [C4mim][MeSO4] y 1 -etilsulfato de etil-3-metilimidazolio,[C2mim][EtSO4]. J. Mol. Licuado. 165, 161-167 (2012).

Artículo CAS Google Scholar

Xiaodan, W., Hongtao, FAN y Tianfang, CUI Propiedad termodinámica del líquido iónico [BMIM] HSO4. Acta de ciencia. Naturaleza. Univ. Sunyatseni 51, 79 (2012).

Google Académico

Królikowska, M. & Hofman, T. Densidades, expansividades isobáricas y compresibilidades isotérmicas de los líquidos iónicos a base de tiocianato a temperaturas (298,15–338,15 K) y presiones de hasta 10 MPa. Termochim. Acta 530, 1–6 (2012).

Artículo de Google Scholar

Freire, MG et al. Caracterización termofísica de líquidos iónicos capaces de disolver biomasa. J. química. Ing. Datos 56, 4813–4822 (2011).

Artículo CAS Google Scholar

Li, W. y col. Efecto del agua y disolventes orgánicos sobre la disociación iónica de líquidos iónicos. J. Física. Química. B 111, 6452–6456 (2007).

Artículo CAS PubMed Google Scholar

Martins, MAR et al. Selección y caracterización de mezclas de líquidos iónicos no ideales para ser utilizadas en la captura de CO2. Equilibrio de fase fluida. 518, 112621 (2020).

Artículo CAS Google Scholar

Govinda, V., Attri, P., Venkatesu, P. y Venkateswarlu, P. Propiedades termofísicas del dimetilsulfóxido con líquidos iónicos a diversas temperaturas. Equilibrio de fase fluida. 304, 35–43 (2011).

Artículo CAS Google Scholar

Valderrama, JO & Rojas, RE Propiedades críticas de los líquidos iónicos. Revisado. Ing. de Indiana. Química. Res. 48, 6890–6900 (2009).

Artículo CAS Google Scholar

Valderrama, JO, Forero, LA & Rojas, RE Propiedades críticas y temperatura normal de ebullición de líquidos iónicos: Actualización y una nueva prueba de consistencia. Ing. de Indiana. Química. Res. 51, 7838–7844 (2012).

Artículo CAS Google Scholar

Barone, G., Della Gatta, G., Ferro, D. & Piacente, V. Entalpías y entropías de sublimación, vaporización y fusión de nueve alcoholes polihídricos. J. química. Soc. Trans. Faraday. 86, 75–79 (1990).

Artículo CAS Google Scholar

Haynes, Manual de química y física de WM CRC (CRC Press, Londres, 2016).

Reservar Google Académico

Jónsdóttir, S. Ó., Cooke, SA & Macedo, EA Modelado y mediciones de equilibrios sólido-líquido y vapor-líquido de polioles y carbohidratos en solución acuosa. Carbohido. Res. 337, 1563-1571 (2002).

Artículo de Google Scholar

Feng, W., Vander Kooi, HJ y de SwaanArons, J. Aplicación de la ecuación de estado SAFT al líquido de pirólisis rápida de biomasa. Química. Ing. Ciencia. 60, 617–624 (2005).

Artículo CAS Google Scholar

Ferreira, O., Brignole, EA & Macedo, EA Equilibrios de fases en soluciones de azúcar utilizando el modelo A-UNIFAC. Ing. de Indiana. Química. Res. 42, 6212–6222 (2003).

Artículo CAS Google Scholar

Jafari Gukeh, M., Moitra, S., Ibrahim, AN, Derrible, S. y Megaridis, CM Predicción del aprendizaje automático de la humectabilidad del recubrimiento de TiO2 ajustada mediante exposición a los rayos UV. Aplicación ACS. Madre. Interfaces 13, 46171–46179 (2021).

Artículo CAS PubMed Google Scholar

Amar, MN, Ghriga, MA y Ouaer, H. Sobre la evaluación de la solubilidad del sulfuro de hidrógeno en líquidos iónicos utilizando sistemas inteligentes avanzados de máquinas de comité. J. Instituto de Taiwán. Química. Ing. 118, 159–168 (2021).

Artículo de Google Scholar

Yin, L. y col. Clasificación de neblina utilizando redes neuronales convolucionales. Atmósfera 13, 522 (2022).

Artículo ADS CAS Google Scholar

Hagan, MT, Demuth, HB y Beale, M. Diseño de redes neuronales (PWS Publishing Co., 1997).

Google Académico

Lobato, J. et al. Modelado de redes neuronales directas e inversas aplicado para estudiar la influencia de las propiedades de la capa de difusión de gas en celdas de combustible PEM basadas en PBI. En t. J. Energía de hidrógeno 35, 7889–7897 (2010).

Artículo CAS Google Scholar

Zhang, H. y col. Máquina de vectores de soporte basada en distancia para predecir la modificación de N6-metiladenina del ADN. actual. Bioinformar. 17, 473–482 (2022).

Artículo CAS Google Scholar

Descargar referencias

Departamento de Ingeniería Química, Universidad de Shiraz, Shiraz, Irán

Ali Bakhtyari

Facultad de Ingeniería, Universidad Tecnológica Behbahan Khatam Alanbia, Behbahan, Irán

Ali Rasoolzadeh

Departamento de Ingeniería Química, Sucursal de Shiraz, Universidad Islámica de Azad, Shiraz, Irán

Behzad Vaferi

Departamento de Cálculos Avanzados, Centro de Investigación de Ingeniería Química, Petrolera y de Polímeros, Sucursal de Shiraz, Universidad Islámica de Azad, Shiraz, Irán

Behzad Vaferi

Departamento de Ingeniería Eléctrica, Universidad de Qatar, Doha, 2713, Qatar

Amit Khandakar

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

AB: Conceptualización, redacción-borrador original, curación de datos, investigación, revisión y edición, aprobación final. AR: Conceptualización, redacción-borrador original, administración del proyecto, Revisión y Edición, aprobación final. BV: Construcción del modelo, revisión y edición, análisis formal, Revisión y Edición, aprobación final, supervisión. AK: Revisión y edición, software, metodología, recursos, Revisión y edición, aprobación final.

Correspondencia a Behzad Vaferi.

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 al autor(es) original(es) 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

Bakhtyari, A., Rasoolzadeh, A., Vaferi, B. et al. Aplicación de técnicas de aprendizaje automático al modelado de solubilidad de alcoholes de azúcar en líquidos iónicos. Representante científico 13, 12161 (2023). https://doi.org/10.1038/s41598-023-39441-7

Descargar cita

Recibido: 17 de mayo de 2023

Aceptado: 25 de julio de 2023

Publicado: 27 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-39441-7

Cualquier persona con la que compartas 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.