ترجمه فارسی مقاله یک چارچوب ساختاریافته برای پیش‌بینی خواص سوخت پایدار هوانوردی با استفاده از FTIR فاز مایع و یادگیری ماشین

چکیده

Sustainable aviation fuels have the potential for reducing emissions and environmental impact. To help identify viable sustainable aviation fuels and accelerate research, several machine learning models have been developed to predict relevant physiochemical properties. However, many of the models have limited applicability, leverage data from complex analytical techniques with confined spectral ranges, or use feature decomposition methods that have limited interpretability. Using liquid-phase Fourier Transform Infrared (FTIR) spectra, this study presents a structured method for creating accurate and interpretable property prediction models for neat molecules, aviation fuels, and blends. Liquid-phase FTIR spectra measurements can be collected quickly and consistently, offering high reliability, sensitivity, and component specificity using less than 2 mL of sample. The method first decomposes FTIR spectra into fundamental building blocks using Non-negative Matrix Factorization (NMF) to enable scientific analysis of FTIR spectra attributes and fuel properties. The NMF features are then used to create five ensemble models for predicting final boiling point, flash point, freezing point, density at 15C, and kinematic viscosity at -20C. All models were trained using experimental property data from neat molecules, aviation fuels, and blends. The models accurately predict properties while enabling interpretation of relationships between compositional elements of a fuel, such as functional groups or chemical classes, and its properties. To support sustainable aviation fuel research and development, the models and data are available on an interactive web tool.

چکیده به فارسی (ترجمه ماشینی)

سوخت های حمل و نقل هوایی پایدار پتانسیل کاهش انتشار و تأثیرات زیست محیطی را دارند.برای کمک به شناسایی سوخت های حمل و نقل هوایی پایدار و تسریع در تحقیقات ، چندین مدل یادگیری ماشین برای پیش بینی خصوصیات فیزیولوژیکی مربوطه تهیه شده است.با این حال ، بسیاری از مدل ها دارای کاربرد محدود ، داده های اهرمی از تکنیک های تحلیلی پیچیده با محدوده طیفی محدود هستند ، یا از روش های تجزیه ویژگی استفاده می کنند که دارای تفسیر محدود هستند.با استفاده از طیف مادون قرمز تبدیل فوریه فاز مایع (FTIR) ، این مطالعه یک روش ساختاری را برای ایجاد مدل های پیش بینی خاص و قابل تفسیر برای مولکول های مرتب ، سوخت های حمل و نقل هوایی و مخلوط ها ارائه می دهد.اندازه گیری طیف FTIR فاز مایع را می توان به سرعت و به طور مداوم جمع آوری کرد و با استفاده از کمتر از 2 میلی لیتر نمونه ، قابلیت اطمینان ، حساسیت و ویژگی مؤلفه را ارائه می دهد.این روش ابتدا طیف های FTIR را به بلوک های ساختاری اساسی با استفاده از فاکتورسازی ماتریس غیر منفی (NMF) تجزیه می کند تا تجزیه و تحلیل علمی از ویژگی های طیف FTIR و خصوصیات سوخت را فعال کند.سپس از ویژگی های NMF برای ایجاد پنج مدل گروه برای پیش بینی نقطه جوش نهایی ، نقطه فلش ، نقطه انجماد ، چگالی در 15 درجه سانتیگراد و ویسکوزیته سینماتیک در -20 درجه سانتیگراد استفاده می شود.همه مدل ها با استفاده از داده های خاصیت آزمایشی از مولکول های شسته و رفته ، سوخت های حمل و نقل هوایی و مخلوط ها آموزش داده شدند.این مدل ها به طور دقیق خواص را در حالی که امکان تفسیر روابط بین عناصر ترکیبی یک سوخت ، مانند گروه های عملکردی یا کلاس های شیمیایی و خصوصیات آن را پیش بینی می کنند ، پیش بینی می کنند.برای پشتیبانی از تحقیقات و توسعه سوخت پایدار هواپیمایی ، مدل ها و داده ها بر روی یک ابزار وب تعاملی در دسترس هستند.