Surface tension of binary and ternary mixtures mapping with ASP and UNIFAC models based on machine learning

三元运算 UNIFAC公司 表面张力 热力学 二进制数 离子液体 群贡献法 机器学习 人工智能 物理 活度系数 化学 数学 计算机科学 物理化学 有机化学 相平衡 算术 水溶液 程序设计语言 相(物质) 催化作用
作者
Jiandong Deng,Yanan Zhang,Guozhu Jia
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:35 (6)
标识
DOI:10.1063/5.0152893
摘要

Modeling predictions of surface tension for binary and ternary liquid mixtures is difficult. In this work, we propose a machine learning model to accurately predict the surface tension of binary mixtures of organic solvents-ionic liquids and ternary mixtures of organic solvents-ionic liquids–water and analytically characterize the proposed model. In total, 1593 binary mixture data points and 216 ternary mixture data points were collected to develop the machine learning model. The model was developed by combining machine learning algorithms, UNIFAC (UNIversal quasi-chemical Functional group Activity Coefficient) and ASP (Abraham solvation parameter). UNIFAC parameters are used to describe ionic liquids, and ASP is used to describe organic solvents. The effect of each parameter on the surface tension is characterized by SHAP (SHapley Additive exPlanation). We considered support vector regression, artificial neural network, K nearest neighbor regression, random forest regression, LightGBM (light gradient boosting machine), and CatBoost (categorical boosting) algorithms. The results show that the CatBoost algorithm works best, MAE = 0.3338, RMSE = 0.7565, and R2 = 0.9946. The SHAP results show that the surface tension of the liquid decreases as the volume and surface area of the anion increase. This work not only accurately predicts the surface tension of binary and ternary mixtures, but also provides illuminating insight into the microscopic interactions between physical empirical models and physical and chemical properties.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
三石完成签到,获得积分10
1秒前
wangdangdang完成签到,获得积分10
1秒前
000完成签到,获得积分10
1秒前
七七发布了新的文献求助10
2秒前
123456发布了新的文献求助10
2秒前
2秒前
科研通AI2S应助cc采纳,获得10
2秒前
2秒前
xiaaa发布了新的文献求助10
3秒前
爆米花应助123采纳,获得10
3秒前
ASUNA发布了新的文献求助10
4秒前
Herry完成签到,获得积分10
4秒前
4秒前
5秒前
5秒前
5秒前
6秒前
超级老三发布了新的文献求助10
6秒前
rui完成签到,获得积分10
7秒前
Jane完成签到,获得积分10
7秒前
7秒前
9秒前
边佳佳完成签到,获得积分10
9秒前
9秒前
香蕉觅云应助凉的白开采纳,获得10
9秒前
Akim应助兽先生采纳,获得10
10秒前
ipan918完成签到,获得积分10
10秒前
简单以冬发布了新的文献求助10
10秒前
Herry发布了新的文献求助10
10秒前
清风完成签到,获得积分10
11秒前
中重中之重完成签到 ,获得积分10
11秒前
11秒前
壮观的芮完成签到,获得积分10
11秒前
邱型程完成签到 ,获得积分20
11秒前
cstjx完成签到,获得积分20
12秒前
Jane发布了新的文献求助30
12秒前
12秒前
临床医学研究中心完成签到,获得积分10
12秒前
13秒前
13秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3246616
求助须知:如何正确求助?哪些是违规求助? 2889902
关于积分的说明 8260972
捐赠科研通 2558422
什么是DOI,文献DOI怎么找? 1387184
科研通“疑难数据库(出版商)”最低求助积分说明 650498
邀请新用户注册赠送积分活动 626951