如影随形

关于智力溶剂粘度的智能预测研究的重要进展。

发布时间：2025-06-19 13:29编辑：bet356在线官方网站浏览（74）

最近，广东技术学院的光学与化学工程学系教授林小组（Lin Xiaoqing Team）在智能预测低白色椰子溶剂粘度的智能预测方面取得了重要的进步，并支持了国家R＆D诸如国家R＆D计划和国家自然科学基金会等项目。相关结果发表在《美国化学工程师学会杂志》（AICHE杂志）上。作为“下一代绿色溶剂”，由于其优势是简化的合成，低毒性和更新，因此广泛用于分离，催化剂和电化学等领域。但是，粘度特性（例如限制工业应用的中心参数）受分子组成和温度等因素的影响。传统的测量和方法性词典具有限制，例如效率低和泛化。响应t研究人员对低共受体溶剂的粘度预测的回声瓶颈已经创新了一个多尺度的粘度预测框架，该预测框架整合了神经元通讯网络（MPNN），图形护理（GAT）的机制（GAT）和多层（MLP）。该模型使用物理和化学特性，例如分子结构和微笑的温度作为入口。通过MPNN去除分子中化学键相互作用的局部特性，并使用GAT生成一般分子表示，重点是主要子结构，例如氢键的供体/受体。结合宏观的物理和化学特性，例如预测的密度，粘度值精确地通过了MLP非线性转化。关节溶剂样品样品5790的样品数据集的验证表明，模型预测的精度高达R2 = 0.9945。平均绝对重新性偏差（AAR）为2.69％，比传统的自动学习模型（例如随机森林（RF）和支持载体的回归（SVR））要好得多。它还表现出对极端粘度值（例如高粘度样品）的强大适应性，从而有效地解决了真实溶剂新粘度预测的概括能力不足的问题。除了高精度预测外，研究人员还通过对外形的可解释性分析具有粘度。重要特性的影响，例如碱基中的分子能量和沉重的原子分子量，用于低融合溶剂特异性和绿色特性的合理设计。将来，该团队计划优化模型的效率，从地址加深研究以扩大多个财产预测，建立封闭的实验计算循环，开发友好的接口并促进面向绿色设计的详细实现到工业应用中的数据方法。相关文档中的信息：https：//doi.org/10.1002/aic.18924