ترجمه فارسی مقاله روش‌های پیشرفته مشارکت گروهی ترمودینامیکی با استفاده از یادگیری ماشین: UNIFAC 2.0

چکیده

Accurate prediction of thermodynamic properties is pivotal in chemical engineering for optimizing process efficiency and sustainability. Physical group-contribution (GC) methods are widely employed for this purpose but suffer from historically grown, incomplete parameterizations, limiting their applicability and accuracy. In this work, we overcome these limitations by combining GC with matrix completion methods (MCM) from machine learning. We use the novel approach to predict a complete set of pair-interaction parameters for the most successful GC method: UNIFAC, the workhorse for predicting activity coefficients in liquid mixtures. The resulting new method, UNIFAC 2.0, is trained and validated on more than 224,000 experimental data points, showcasing significantly enhanced prediction accuracy (e.g., nearly halving the mean squared error) and increased scope by eliminating gaps in the original model’s parameter table. Moreover, the generic nature of the approach facilitates updating the method with new data or tailoring it to specific applications.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق خواص ترمودینامیکی در مهندسی شیمی برای بهینه سازی کارآیی فرآیند و پایداری محوری است.روشهای گروهی فیزیکی (GC) برای این منظور به طور گسترده ای به کار می رود اما از پارامترهای رشد یافته و ناقص از لحاظ تاریخی رنج می برند و کاربرد و دقت آنها را محدود می کنند.در این کار ، ما با ترکیب GC با روش های تکمیل ماتریس (MCM) از یادگیری ماشین ، بر این محدودیت ها غلبه می کنیم.ما از رویکرد جدید برای پیش بینی مجموعه کاملی از پارامترهای تعامل زوج برای موفق ترین روش GC استفاده می کنیم: UNIFAC ، اسب کار برای پیش بینی ضرایب فعالیت در مخلوط های مایع.روش جدید حاصل ، UNIFAC 2.0 ، در بیش از 224،000 نقطه داده آزمایشی آموزش داده و تأیید می شود ، و دقت پیش بینی را به طور قابل توجهی افزایش می دهد (به عنوان مثال ، تقریبا نصف میانگین خطای مربع) و با از بین بردن شکاف در جدول پارامتر مدل اصلی افزایش می یابد.علاوه بر این ، ماهیت عمومی این رویکرد به روزرسانی روش را با داده های جدید تسهیل می کند یا آن را به برنامه های خاص متناسب می کند.