Blog

Aug 06, 2023

Einblicke in die Abschätzung der Oberflächenspannungen von Mischungen basierend auf gestaltbaren grünen Materialien mithilfe eines Ensemble-Lernschemas

Scientific Reports Band 13, Artikelnummer: 14145 (2023) Diesen Artikel zitieren 43 Zugriffe auf Metrikdetails Eine präzise Schätzung der physikalischen Eigenschaften sowohl ionischer Flüssigkeiten (ILs) als auch ihrer Mischungen ist

Wissenschaftliche Berichte Band 13, Artikelnummer: 14145 (2023) Diesen Artikel zitieren

43 Zugriffe

Details zu den Metriken

Die genaue Abschätzung der physikalischen Eigenschaften sowohl ionischer Flüssigkeiten (ILs) als auch ihrer Mischungen ist für Ingenieure von entscheidender Bedeutung, um neue industrielle Prozesse erfolgreich zu entwerfen. Unter diesen Eigenschaften ist die Oberflächenspannung besonders wichtig. Um eine optimale Nutzung in vielfältigen Anwendungen zu gewährleisten, ist es nicht nur notwendig, die Eigenschaften reiner ILs zu kennen, sondern auch deren Mischungen. In diesem Zusammenhang zielte diese Studie darauf ab, die Wirksamkeit des Stochastic Gradient Boosting (SGB)-Baums bei der Modellierung von Oberflächenspannungen binärer Mischungen verschiedener ionischer Flüssigkeiten (ILs) anhand eines umfassenden Datensatzes zu bewerten. Der Datensatz umfasste 4010 experimentelle Datenpunkte von 48 verschiedenen ILs und 20 Nicht-IL-Komponenten und deckte einen Oberflächenspannungsbereich von 0,0157–0,0727 N m−1 über einen Temperaturbereich von 278,15–348,15 K ab. Die Studie ergab, dass die geschätzten Werte in lagen gute Übereinstimmung mit den gemeldeten experimentellen Daten, was durch einen hohen Korrelationskoeffizienten (R) und einen niedrigen mittleren relativen absoluten Fehler von mehr als 0,999 bzw. weniger als 0,004 belegt wird. Darüber hinaus wurden die Ergebnisse des verwendeten SGB-Modells mit den Ergebnissen von SVM, GA-SVM, GA-LSSVM, CSA-LSSVM, GMDH-PNN, drei basierten ANNs, PSO-ANN, GA-ANN, ICA-ANN verglichen. TLBO-ANN-, ANFIS-, ANFIS-ACO-, ANFIS-DE-, ANFIS-GA-, ANFIS-PSO- und MGGP-Modelle. Hinsichtlich der Genauigkeit ist das SGB-Modell besser und liefert im Vergleich zu den anderen Techniken deutlich geringere Abweichungen. Außerdem wurde eine Bewertung durchgeführt, um die Bedeutung jeder Variablen für die Vorhersage der Oberflächenspannung zu bestimmen. Dabei zeigte sich, dass der Stoffmengenanteil von IL der einflussreichste Faktor war. Am Ende wurde Williams Diagramm genutzt, um den Anwendungsbereich des Modells zu untersuchen. Da die Mehrzahl der Datenpunkte, also 98,5 % des gesamten Datensatzes, deutlich innerhalb der Sicherheitsmarge lagen, wurde der Schluss gezogen, dass das vorgeschlagene Modell einen hohen Anwendbarkeitsbereich hatte und seine Vorhersagen gültig und zuverlässig waren.

In den letzten Jahren ist das Interesse an ionischen Flüssigkeiten (ILs) bei Wissenschaftlern, Ingenieuren, Regulierungsbehörden und politischen Entscheidungsträgern weltweit gestiegen1. Diese geschmolzenen Salze, die aus organischen Kationen und organischen/anorganischen Anionen bestehen, erfreuen sich in verschiedenen Branchen als neue Verbindungsklasse für vielfältige Anwendungen großer Beliebtheit. Aufgrund ihrer sperrigen und asymmetrischen Kationenstruktur2 haben ILs eine geringe Tendenz, einen geordneten Kristall zu bilden und bleiben daher bei Umgebungstemperatur in einem flüssigen Zustand.

Die außergewöhnlichen Eigenschaften von ILs, wie ihre guten katalytischen Eigenschaften, ihr niedriger Dampfdruck, ihre Nichtentflammbarkeit, ihr hohes Solvatisierungsvermögen für verschiedene organische Verbindungen und ihre hohe thermische und chemische Stabilität, machen sie zu vielversprechenden nachhaltigen Alternativen zu herkömmlichen Materialien in einer Vielzahl von Prozessen3,4 ,5. ILs werden oft als „gestaltbare Materialien“ bezeichnet, da ihre Eigenschaften durch Strukturmodifikationen am Kation oder Anion6 auf bestimmte Prozesse zugeschnitten werden können. Derzeit werden ILs für verschiedene Anwendungen verwendet, einschließlich, aber nicht beschränkt auf Enhanced Oil Recovery (EOR)7-Prozess, Extraktionsprozesse8,9,10,11, katalytische Reaktionen12, Trennprozesse13,14,15, Elektrochemie16, Lithiumbatterien17, Biomasse Umwandlung18, Entschwefelung19, Kohleauflösung20, Bitumenverarbeitung21,22, Rohölauflösung23,24, Asphaltenauflösung25 und Rohöl/Wasser-IFT-Reduktion26.

Ein umfassendes Verständnis der chemischen, physikalischen und thermodynamischen Eigenschaften von ILs oder ihrer Mischungen mit anderen Verbindungen ist von entscheidender Bedeutung, insbesondere da ein erheblicher Prozentsatz der industriellen Anwendungen von ILs Mischungen beinhalten27, beispielsweise bei EOR-Prozessen in Lagerstätten. Dies ist sowohl aus akademischer als auch aus industrieller Sicht von großer Bedeutung.

Die Oberflächenspannung ist eine kritische makroskopische physikalische Eigenschaft28 von ILs und ihren relevanten Mischungen. Es spielt eine wesentliche Rolle bei der angemessenen Gestaltung und dem Betrieb kommender industrieller Prozesse, die Stofftransfer beinhalten, wie Destillation, Extraktion und Absorption3,29. In der Erdölindustrie ist die Oberflächenspannung besonders wichtig für die Konstruktion von Fraktionatoren, Absorbern, Separatoren, Zweiphasen-Pipelines und die Bewertung von Lagerstätten30. Dies liegt daran, dass es die Stoff- und Wärmeübertragung an den Grenzflächen erheblich beeinflusst31. Interessierte Leser werden auf Tariq et al.32 verwiesen, die eine detaillierte Erklärung liefern, warum die Oberflächenspannung von ILs entscheidend ist.

Aufgrund der unendlichen Anzahl möglicher Systeme ist es unpraktisch, die Oberflächenspannung jeder möglichen IL und ihrer Mischung mit anderen Verbindungen experimentell zu messen. Darüber hinaus können empirische Messungen teuer, zeitaufwändig und anfällig für nicht vernachlässigbare Unsicherheiten sein33. Daher ist es wichtig, über ein zuverlässiges und leistungsfähiges Schema zur Vorhersage der Oberflächenspannung zu verfügen34, da experimentelle Messungen nicht immer für alle ILs und deren Mischungen mit verschiedenen Substanzen durchführbar sind.

Obwohl es einige Versuche gab, die Oberflächenspannung reiner ILs mit unterschiedlichen Methoden zu berechnen, gibt es in der Literatur nur wenige Studien, die sich auf die Vorhersage der Oberflächenspannung von Gemischen, die ILs enthalten, konzentrieren. Übersichtsarbeiten von Tariq et al.32 und Gharagheizi et al.35 haben dieses Thema untersucht. Allerdings verwendeten Oliveira et al.3 die Zustandsgleichung der Soft Statistical Associating Fluid Theory (soft-SAFT) und die Dichtegradiententheorie (DGT), um die Oberflächenspannung von Mischungen zu modellieren, die [Cnmim][NTf2]-ILs mit unterschiedlichen Alkylkettenlängen enthalten (n = 1, 2, 5, 6, 8 und 10). Cardona und Valderrama36 schlagen ein Modell vor, das auf einer kubischen Zustandsgleichung und dem geometrischen Ähnlichkeitskonzept basiert, um die Oberflächenspannung reiner Substanzen und Gemische mit organischen Substanzen, Wasser und ILs zu berechnen. Das Modell wurde mithilfe einfacher Misch- und Kombinationsmischungsregeln ohne Interaktionsparameter auf binäre und ternäre Mischungen erweitert, sodass die Vorhersagefähigkeiten des Modells gewährleistet sind. Die Mischungen bestehen aus organischem Lösungsmittel + IL und Wasser + ILs. Zustandsgleichungsmethoden (EOS) sind nur auf Systeme anwendbar, für die sie kalibriert wurden. Typischerweise basieren EOS-Modelle auf einstellbaren Parametern, die auf der Grundlage experimenteller Datenpunkte optimiert werden müssen. Ohne experimentelle Daten und kalibrierte Parameter kann man diesen Modellen nicht vollständig vertrauen und der Kalibrierungsprozess kann zeitaufwändig und komplex sein37. Daher ist es wichtig, sich auf die Entwicklung und Nutzung allgemeiner Modelle zu konzentrieren, mit denen sich die thermophysikalischen Eigenschaften dieser Systeme im Allgemeinen und die Oberflächenspannung im Besonderen vorhersagen lassen.

In den letzten Jahren haben Soft-Computing-Methoden die Aufmerksamkeit der Forscher auf sich gezogen, da sie in der Lage sind, schwierige Probleme zu modellieren und anzugehen, deren Lösung früher problematisch oder unpraktisch war38. Auf dem Gebiet der ILs haben mehrere Gruppen auf der ganzen Welt mehrere Studien zur Anwendung der künstlichen neuronalen Netze (ANNs) zur Vorhersage der Eigenschaften der ILs und ihrer zugehörigen Mischungen wie der Wärmeleitfähigkeit ionischer Flüssigkeiten39 und der Löslichkeit von überkritischem Kohlendioxid durchgeführt in ILs40, ternäre elektrische Leitfähigkeit von IL-Systemen41, Blasenpunkte von ternären Systemen mit ILs42, Viskosität von ternären Mischungen mit ILs43, binäre Wärmekapazität von Mischungen mit IL44 und Schmelzpunkt von ILs45. Außerdem werden empfohlene veröffentlichte Artikel46,47; für weitere Anwendungen verschiedener maschineller Lernansätze im Bereich ILs.

Forscher haben verschiedene Soft-Computing-Methoden eingesetzt, um die Oberflächenspannung reiner ILs vorherzusagen. Beispielsweise verwendeten Lazzús et al.48 eine auf ANNs basierende Gruppenbeitragsmethode, um die Oberflächenspannungswerte reiner ILs abzuschätzen, während Atashrouz et al.49 ein mathematisches Modell unter Verwendung von Least Square Support Vector Machines (LSSVM) entwickelten, um die Oberflächenspannungswerte von vorherzusagen reine ILs. Obaid et al.50 verwendeten AdaBoost mit verschiedenen Basismodellen, einschließlich Gaussian Process Regression (GPR), Support Vector Regression (SVR) und Decision Tree (DT), um die Oberflächenspannung verschiedener ILs vorherzusagen. Eine Durchsicht der aktuellen Literatur zeigt, dass es nur wenige Studien gibt, die verschiedene Soft-Computing-Techniken verwendet haben, um Oberflächenspannungswerte für binäre Systeme vorherzusagen, die ILs enthalten. Diese Methoden werden im Folgenden ausführlich besprochen.

Soleimani und seine Kollegen46 verwendeten Support Vector Machine (SVM)- und LSSVM-Modelle in Kombination mit Coupled Simulated Annealing (CSA) und genetischem Algorithmus (GA), um die Oberflächenspannung von binären Mischungen vorherzusagen, die aus 31 verschiedenen IL-Mischungen und 748 Datenpunkten bestanden. Zu den Eingabeparametern ihrer Modelle gehörten Temperatur, IL-Eigenschaften und Nicht-IL-Eigenschaften. Sie fanden heraus, dass das CSA-LSSVM-Modell im Hinblick auf statistische Parameter andere Modelle übertraf. In einer anderen Untersuchung51 verwendeten sie ein ANN-Modell, das auf denselben Datenpunkten und Eingabeparametern basierte. Ihr Modell hat die Oberflächenspannung im Hinblick auf die statistische Analyse genau vorhergesagt. Basierend auf demselben Datensatz und denselben Eingabevariablen schlugen Setiawan et al.33 verschiedene ANNs vor, die durch vier Optimierungsalgorithmen diszipliniert werden, nämlich Teaching-Learning-Based Optimization (TLBO), Particle Swarm Optimization (PSO), GA und Imperialist Competitive Algorithm (ICA). , um die Oberflächenspannung der binären IL-Mischungen abzuschätzen. Atashrouz et al.52 verwendeten GA-LSSVM-, GA-SVM- und GMDHPNN-Modelle (Group Method of Data Handling Polynomial Neural Network), um die Oberflächenspannung von binären Gemischen, die ILs enthielten, auf der Grundlage von 573 Datenpunkten und 28 verschiedenen Gemischen abzuschätzen. Zu ihren Eingabedaten gehörten Temperatur und Eigenschaften von ionischen und nicht-ILs. Sie kamen zu dem Schluss, dass die Modelle GA-LSSVM und GA-SVM im Vergleich zum GMDH-PNN-Modell eine bessere Vorhersagefähigkeit hatten. Lashkarbolooki53 verwendete ein ANN-Modell basierend auf 836 Datenpunkten und 32 verschiedenen Mischungen. Zu den Eingabeparametern des Modells gehörten Temperatur, Schmelztemperatur, Stoffmengenanteil und Molekulargewicht von ionischen und Nicht-ILs. Shojaeian und Asadizadeh54 schlugen ein ANN-Modell vor, um die Oberflächenspannung von binären Mischungen, die ILs enthalten, basierend auf 1537 Datenpunkten für 33 binäre Mischungen vorherzusagen. In ihrer Studie wurden verschiedene Ansätze entwickelt, bei denen physikalische Eigenschaften wie Temperatur, reduzierte Temperatur, kritische Temperatur, kritischer Druck, kritisches Volumen, Molekulargewicht, azentrischer Faktor und kritischer Kompressibilitätsfaktor zusammen mit zwei unterschiedlichen Mischungsregeln als Eingabeparameter verwendet wurden. Darüber hinaus nutzten sie fünf verschiedene intelligente Methoden, darunter das Adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS), das mit Ant Colony Optimization optimierte ANFIS (ANFIS-ACO), das mit Differential Evolution optimierte ANFIS (ANFIS-DE) und das durch GA optimierte ANFIS (ANFIS). -GA) und durch PSO optimiertes ANFIS (ANFIS-PSO), um die Oberflächenspannungswerte für die interessierenden Binärmischungen vorherzusagen. Die Ergebnisse wurden dann mit denen eines ANN-Modells verglichen, das im Vergleich zu den anderen fünf ANFIS-basierten Modellen die höchste Genauigkeit aufwies. Esmaeili und Hashemipour55 verwendeten Multi-Gene Genetic Programming (MGGP), um Korrelationen zur Vorhersage der Oberflächenspannung in binären Mischungen, die ILs enthalten, auf der Grundlage von 1414 Daten zu 37 binären Mischungen zu entwickeln, die aus der Literatur gesammelt wurden. Sie präsentierten zwei Korrelationen zur Vorhersage der Oberflächenspannung von IL- und Nicht-IL-Mischungen, indem sie nur die Temperatur und den Stoffmengenanteil der IL-Komponente verwendeten.

Trotz der Bemühungen, präzise Modelle zu erstellen, ergab die Durchsicht der Literatur, dass für binäre Gemische, die ILs enthalten, eine viel größere Menge an experimentellen Oberflächenspannungsdaten verfügbar ist, als in früheren Studien verwendet wurde. Daher ist es von entscheidender Bedeutung, eine eingehende Literaturrecherche durchzuführen, um eine umfassende Datenbank experimenteller Oberflächenspannungswerte zusammenzustellen, die für die Entwicklung eines umfassenden Vorhersagemodells erforderlich ist.

In den letzten Jahren hat sich das von Friedman et al.56 entwickelte Gradient Boosting (GB) Tree-Modell zu einer der wirksamsten Methoden für das prädiktive Data Mining entwickelt. Das Konzept des Algorithmus für GB-Bäume basiert auf der Anwendung der Boosting-Methode auf Regressionsbäume. Eine neue Version des GB-Tree-Modells mit dem Namen „Stochastic Gradient Boosting (SGB) Tree Model“ wurde von Friedman57 eingeführt und ist für wissenschaftliche Gemeinschaften und Ingenieure attraktiv, da es mehrere Vorzüge aufweist: Es funktioniert beispielsweise effektiv bei großen Datensätzen und ist relativ schnell Einfach, leicht zu bedienen und erfordert die Abstimmung einiger Parameter. Die Fähigkeit, nichtlineare Zusammenhänge zwischen Eingaben und Ziel zu erfassen, ist aufgrund der komplexen inhärenten Struktur realer Daten eine der Hauptstärken dieses verbesserten heuristischen Modells. Außerdem ist dieses vielversprechende Schema des maschinellen Lernens robust gegenüber variablen Ausreißern, variabler Kollinearität und fehlenden Daten. Modelle, die auf verstärkten Regressionsbäumen basieren, haben in verschiedenen Untersuchungsbereichen gute Ergebnisse gezeigt und wurden gut angewendet, beispielsweise bei der Vorhersage des Mindestmischbarkeitsdrucks von Kohlendioxid und Öl, bei der Vorhersage der Kohlendioxidlöslichkeit in Polymeren58, bei der Schätzung der Grenzflächenspannung für die geologische Kohlendioxidspeicherung59 und bei der Vorhersage der Kohlendioxidlöslichkeit in wässrigen Aminlösungen60 ,61.

Soweit uns bekannt ist, gibt es keine Studie zur Anwendung der Eigenschaftenvorhersage der Oberflächenspannung von IL-Mischungen mithilfe der DT-basierten Ansätze. Daher wird diese Studie zum ersten Mal ein SGB-Schema zur Vorhersage binärer Oberflächenspannungswerte von IL-Systemen unter Verwendung eines umfassenden Datensatzes von 4010 experimentellen Oberflächenspannungswerten von binären Mischungen, die ILs enthalten, vorstellen. Darüber hinaus werden wir die Leistung des SGB-Systems mit 18 häufig verwendeten Rechenmodellen vergleichen. Außerdem wird die Wirksamkeit jeder einzelnen Eingabevariablen auf die Ausgabe des SGB-Modells, dh der Oberflächenspannung, bewertet. Abschließend wird eine Methode zur Ausreißerdiagnose eingesetzt, um etwaige mehrdeutige oder inkonsistente experimentelle Daten zu untersuchen.

Alle zusammengestellten Daten (4010 binäre Oberflächenspannungswerte) zur Erstellung des SGB-Baummodells stammen aus der NIST-Standardreferenzdatenbank62 und decken Temperaturen zwischen 278,15 und 348,15 K ab, wobei der Druck bei atmosphärischen Bedingungen konstant gehalten wurde. Insgesamt decken die Datenpunkte 122 verschiedene binäre Gemische ab, die 48 verschiedene ILs und 20 verschiedene Nicht-IL-Komponenten (Wasser und 19 verschiedene organische Verbindungen) umfassen. Die detaillierten Informationen zu binären Gemischen, ILs und Nicht-IL-Bestandteilen finden Sie in den Zusatzinformationen (Tabelle S1).

Um das SGB-Modell mit zufriedenstellenden Schätzungsmöglichkeiten der Oberflächenspannung für binäre IL-Mischungen zu erstellen, wurden einige unabhängige Variablen berücksichtigt. Es gibt verschiedene miteinander verbundene Faktoren, die die Oberflächenspannung binärer IL-Mischungen beeinflussen. Die Beziehung, die die gegenseitige Abhängigkeit zwischen der Oberflächenspannung für die binären Mischungen und den ausgewählten unabhängigen Faktoren basierend auf früheren veröffentlichten Arbeiten46,51 modelliert, d. h. die Temperatur (\(T\)), der Molenbruch der ILs (\({x} _{IL}\)), Molekulargewicht von IL (\({Mw}_{IL}\)) und Dichte von IL (\({\rho }_{IL}\)) zusammen mit dem Siedepunkt (\ ({Tb}_{non-IL}\)) und das Molekulargewicht (\({Mw}_{non-IL}\)) der Nicht-IL-Komponente wird ausgedrückt als46,51:

Stochastic Gradient Boosting (SGB) ist ein neuartiger Zweig des traditionellen Gradient Boosting (GB), der von Friedman57 entwickelt wurde. Zur Verbesserung der Präzision und Ausführungsgeschwindigkeit des GB mit dem Ziel, die Gesamtleistung zu verbessern63,64,65, integriert SGB die Randomisierung in den Prozess, was das Kernprinzip der Bagging-Methode von Breiman darstellt66. Erfolgreiche Anwendungen dieser kompetenten Methode wurden in der Literatur in vielen Bereichen nachgewiesen46,58,59,60,61,67,68,69,70,71,72,73,74.

Gradient Boosting (GB) ist eine Ensemble-Methode, die schwache Hypothesen in starke umwandelt, indem sie den Verlust des Modells mithilfe eines Gradientenabstiegs-ähnlichen Verfahrens minimiert. GB nimmt eine Sammlung schwacher Lernender, wie z. B. Entscheidungsbäume, und fügt sie dem Modell hinzu, um eine Überanpassung zu vermeiden. Bäume werden stufenweise erstellt, und zukünftige schwache Lernende konzentrieren sich mehr auf Beispiele, die die vorherigen falsch klassifiziert haben. Die endgültige Ausgabe des Modells wird verbessert, indem die Ausgabe des aktualisierten Baums zur Ausgabe der vorhandenen Baumfolge hinzugefügt wird.

Das in SGB verwendete Trainingsverfahren kann anhand des in Abb. S1 dargestellten Flussdiagramms untersucht werden. Es zeigt, dass nicht alle Trainingsinstanzen einem Baum bereitgestellt werden, sondern nur ein Bruchteil dieser Instanzen für das Training verwendet wird und durch ersatzlose Stichprobenauswahl ausgewählt wird. Die abgetasteten Daten werden dann zum Trainieren eines Baums verwendet, wobei nur ein zufällig ausgewählter Bruchteil der verfügbaren Merkmale für die Aufteilung verwendet wird. Nachdem ein Baum trainiert wurde, werden seine Vorhersagen getroffen und die Restfehler berechnet. Diese Restfehler werden mit der Lernrate eta (\(\eta\)) multipliziert und dem nächsten Baum im Ensemble zugeführt. Dieser Vorgang wird nacheinander wiederholt, bis alle Bäume im Ensemble trainiert sind. Um die Ausgabe für eine neue Instanz beim stochastischen Gradienten-Boosting vorherzusagen, wird ein ähnliches Verfahren wie beim Gradienten-Boosting angewendet.

In dieser Studie wurden die SGB-Algorithmen basierend auf den Anweisungen in Friedmans Werken ausgeführt57,63. Weitere Informationen zu den mathematischen Aspekten des SGB-Modells finden Sie in der Literatur57,63,75,76,77.

Die aktuelle Studie nutzte das SGB-Baummodell, um die Oberflächenspannung binärer IL-Mischungen vorherzusagen, wie bereits erwähnt. Es ist wichtig, die Hyperparameter sorgfältig festzulegen, um die maximale Generalisierungsfähigkeit des SGB-Modells sicherzustellen. Unter diesen Parametern hat die Lernrate (η) einen erheblichen Einfluss auf das Endergebnis. Durch einen umfangreichen Versuch-und-Irrtum-Prozess wurde festgestellt, dass der optimale Wert für η bei 0,57 liegt. Die Leistung des Modells verbessert sich, wenn ein η-Wert von 0,57 verwendet wird, wie in Abb. S2 dargestellt, was zu einem niedrigeren MRAE-Wert (Mean Relative Absolute Error) von 0,0039888 führt.

Abbildung S3 zeigt die MSE-Werte für die Trainings- und Testdatensätze, aufgetragen gegen die Anzahl der Bäume. In der Anfangsphase kommt es zu einer raschen Abflachung der Fehlerquoten. Wenn jedoch mehr Bäume hinzugefügt werden, beginnen die MSE-Werte für die Testdaten zu steigen, sobald ein minimaler Fehlerwert erreicht ist. Dies gibt die optimale Anzahl von Bäumen an, um eine Überanpassung zu vermeiden, wie durch die horizontale grüne Linie dargestellt. Die optimale Anzahl an Bäumen in dieser Studie wurde mit 2976 ermittelt.

Zur Bewertung der Leistungsgenauigkeit der SGB-Baummethode wurden verschiedene Kriterien herangezogen. Die Ergebnisse der statistischen Analyse wurden anhand mehrerer Parameter gemessen, darunter mittlerer quadratischer Fehler (MSE), mittlerer quadratischer Fehler (RMSE), mittlerer absoluter Fehler (MAE), mittlerer relativer quadratischer Fehler (MRSE) und mittlerer relativer absoluter Fehler (MRAE). , relativer absoluter Fehler (RAE), Korrelationskoeffizient (R), Bias-Faktor (Bf) und Genauigkeitsfaktor (Af). Diese Parameter wurden unter Verwendung der Gleichungen berechnet. (2)–(10) wie in Referenzen51,78 beschrieben.

wobei \({y}^{exp}. {y}^{pre}\) und \(\overline{y }\) der experimentelle Wert, die vorhergesagte Ausgabe bzw. der Durchschnittswert sind.

Regressionsdiagramme können zur Validierung von Modellen verwendet werden. Abb. 1 zeigt insbesondere die Regressionslinien, Gleichungen, R-Quadrat-Werte und die 45°-Linie sowohl für die Trainings- als auch für die Testdatensätze. Der R-Quadrat-Wert gibt an, wie gut die Modellausgaben und die experimentellen Werte miteinander in Beziehung stehen, wobei ein R-Quadrat-Wert von 1 auf eine exakte lineare Beziehung hinweist und ein R-Quadrat-Wert nahe Null auf keine lineare Beziehung hinweist. Die Formel zur Berechnung des R-Quadrats ergibt sich aus Gleichung. (8) im Quadrat. Es ist ersichtlich, dass die SGB-Baumschätzungen eine geringe Streuung aufweisen, mit hohen R-Quadrat-Werten von 0,99988 bzw. 0,99274 für Training und Tests. Die Gleichungen (11)–(13) sind die resultierenden linearen Regressionsgleichungen für den gesamten Datensatz sowie die Trainings- und Testteilmengen.

Streudiagramm des SGB-Baumansatzes.

Das SGB-Modell lieferte äußerst genaue Vorhersagen der Oberflächenspannung binärer Mischungen, was daran zu erkennen ist, dass der Steigungswert nahe bei 1 liegt und der Achsenabschnitt einen vernachlässigbaren Wert hat.

Ein weiterer entscheidender Aspekt bei der Erstellung eines genauen Vorhersagemodells ist die Fähigkeit des Modells, experimentelle binäre Oberflächenspannungsdaten über eine Reihe von Eingabeparametervariationen genau zu schätzen und dabei sowohl zu über- als auch zu unterschätzen. Abbildung 2 zeigt die Trenddiagramme der SGB-Vorhersagewerte und experimentellen Datenpunkte für fünf ausgewählte verschiedene binäre Systeme, darunter Tributylphosphat und 1-Butyl-3-methylimidazoliumhexafluorphosphat, Butan-1-ol und 1-Butyl-3-methylimidazolium-L-lactat , Tetrahydrofuran und 1-Butyl-3-methylimidazolium bis(trifluormethylsulfonyl)imid, Wasser und 1-Butylpyridiniumtetrafluorborat sowie Dimethylsulfoxid und 1-Butyl-3-methylimidazolium bis(trifluormethylsulfonyl)imid. Diese Abbildung zeigt, dass das entwickelte Modell den Einfluss verschiedener Eingabeparameter auf die Oberflächenspannung der untersuchten binären Gemische genau vorhersagen kann. Daher weist das entwickelte Modell eine hervorragende Fähigkeit auf, das Verhalten experimenteller Daten über verwandte Eingabeparameter vorherzusagen. Eine weitere Beobachtung, die aus Abb. 5 hervorgeht, ist, dass sich das Oberflächenspannungsverhalten einer Mischung aus IL ändert, wenn der Molenbruch von IL variiert. Beispielsweise in der Mischung aus Tributylphosphat und 1-Butyl-3-methylimidazoliumhexafluorphosphat, Butan-1-ol und 1-Butyl-3-methylimidazolium-L-lactat, Tetrahydrofuran und 1-Butyl-3-methylimidazolium bis(trifluormethylsulfonyl)imid. Die Oberflächenspannung steigt mit steigendem Molenanteil von IL. Umgekehrt nimmt in den Mischungen aus Wasser und 1-Butylpyridiniumtetrafluorborat die Oberflächenspannung zunächst mit zunehmendem Molenbruch von IL ab, aber wenn die IL-Konzentration weiter ansteigt, wird der Effekt der Zugabe von mehr IL weniger signifikant.

Diagramm der Oberflächenspannung (\(\sigma\)) der binären Mischung (a) Tributylphosphat und 1-Butyl-3-methylimidazoliumhexafluorphosphat, (b) Butan-1-ol und 1-Butyl-3-methylimidazolium-L-lactat, (c) Tetrahydrofuran und 1-Butyl-3-methylimidazolium bis(trifluormethylsulfonyl)imid, (d) Wasser und 1-Butylpyridiniumtetrafluorborat und (e) Dimethylsulfoxid und 1-Butyl-3-methylimidazolium bis(trifluormethylsulfonyl)imid als Funktion von Temperatur (T) und Konzentration der IL-Komponente (x, IL).

Wie bereits erwähnt, wurde der gesammelte Datensatz in zwei Segmente unterteilt, um sicherzustellen, dass das SGB-Modell verallgemeinert werden kann: den Trainingssatz und den Testsatz. Der Trainingssatz wurde zur Anpassung des SGB-Modells verwendet, während der Testsatz eine unvoreingenommene Bewertung der Genauigkeit des Modells lieferte. Tabelle 1 zeigt die wichtigsten Fehlerindizes, einschließlich MSE, RMSE, MAE, MRAE, MRSE, R, R2, Bf und Af, sowohl für die Trainings- und Testteilmengen des SGB-Baummodells als auch für alle Datensätze. Die Ergebnisse in Tabelle 1 zeigen, dass das SGB-Baummodell die Oberflächenspannung von IL-Binärmischungen genau vorhersagen kann. Unter Berücksichtigung aller Datenpunkte wurde beispielsweise ein Bf von 1,0002301 erhalten, was darauf hinweist, dass die Vorhersagen um 0,02301 % größer als die experimentellen Werte waren, während Af von 1,0039883 bedeutet, dass der vorhergesagte Wert im Durchschnitt um 0,39883 % abweicht (entweder kleiner oder größer). der experimentelle Wert. Diese Ergebnisse zeigen die akzeptable Genauigkeit des SGB-Baummodells bei der Bestimmung der Oberflächenspannung von 122 verschiedenen binären Gemischen unter verschiedenen Bedingungen. Basierend auf den zufriedenstellenden Ergebnissen kann daher der Schluss gezogen werden, dass das SGB-Baummodell eine zuverlässige Methode zur Vorhersage der wesentlichen physikalischen Eigenschaft der Oberflächenspannung für binäre IL-Mischungen ist. Interessierte Leser können für detaillierte Diskussionen dieser Statistiken auf die Referenzen78,79,80 verweisen; im Falle von Schätzungsproblemen; Verschiedene statistische Parameter werden ebenfalls in den Referenzen81,82 besprochen.

Die kumulative Fehlerhäufigkeit gegenüber RAE % ist in Abb. 3 dargestellt. Der maximale RAE %-Wert beträgt 17,06, und fast 92,69 % der Datenpunkte weisen Fehler von weniger als 1 % bei der Vorhersage von Oberflächenspannungswerten binärer Mischungen mit ILs mithilfe des SGB auf Modell. Darüber hinaus weisen nur 4 der 4010 Datenpunkte Fehler von mehr als 10 % auf, was bedeutet, dass 99,90 % des gesamten Datensatzes Fehler von weniger als 10 % für die interessierende Zielvorhersage aufweisen. Diese statistische Analyse zeigt, dass sich das SGB-Baummodell in einem zufriedenstellenden Zustand befindet und ein präzises und zuverlässiges Werkzeug zur Vorhersage der Oberflächenspannungswerte der untersuchten Binärmischungen ist.

Kumulative Häufigkeit versus relativer absoluter Fehler des SGB-Modells zur Vorhersage der Oberflächenspannung binärer Gemische einschließlich ILs.

Der SGB-Algorithmus liefert den relativen Einfluss jeder Variablen auf die Modellausgabe, was ein dem Entscheidungsbaum innewohnender Vorteil ist. Der Einfluss der Variablen beruht auf der Mittelung des Betrags, für den jede Variable für die Aufteilung entschieden wird, gewichtet mit der quadratischen Verbesserung des Modells als Folge jeder Aufteilung83. Abbildung 4 zeigt Balkendiagramme, die die Wichtigkeitsbewertungen für jedes Attribut anzeigen, sodass die wichtigste Variable mit der höchsten Bewertung einen Wert von 1 zuweist und die anderen dann entsprechend skaliert werden. Basierend auf den in Abb. 4 dargestellten Ergebnissen scheint es, dass das SGB-Modell bei der Vorhersage der Oberflächenspannung für binäre Gemische, die ILs enthalten, eine größere Empfindlichkeit gegenüber Änderungen des Stoffmengenanteils (\({x}_{IL}\)) aufweist. Diese Beobachtung steht im Einklang mit den Ergebnissen von Esmaeili und Hashemipour55, die die Pearson-Methode zur Bewertung der Wirksamkeit verschiedener Parameter in diesem Zusammenhang verwendeten. Die Variablen von \({MW}_{non-IL}.{ MW}_{IL}. {\rho }_{IL}. {Tb}_{non-IL} und T\) nehmen das zweite, dritte an , vierter, fünfter und sechster Empfindlichkeitsort.

Darstellung der Bedeutung jeder Prädiktorvariablen für die Vorhersage der Oberflächenspannung binärer Gemische, die ILs enthalten.

Um eine gründliche Untersuchung der Oberflächenspannung binärer Gemische mit ILs mithilfe des SGB-Modells durchzuführen, wurde eine Sensitivitätsanalyse durchgeführt, um zu bestimmen, wie Eingabeparameter wie \(T\), \({x}_{IL}\) , \({Mw}_{IL}\), \({\rho }_{IL}\), \({Tb}_{non-IL}\) und \({Mw}_{non- IL}\) beeinflussen die Oberflächenspannung. Der Pearson-Korrelationskoeffizient (\({r}_{p}\)) wurde verwendet, um den Einfluss jedes Parameters auf die Oberflächenspannung zu messen, mit Werten im Bereich von − 1 bis + 1. Ein Wert nahe + 1 weist auf eine starke positive Beziehung hin zwischen zwei Variablen, wobei beide gemeinsam zunehmen, während ein Wert nahe – 1 auf eine stark negative Beziehung hinweist, bei der eine abnimmt, wenn die andere zunimmt. Ein Wert von 0 gibt an, dass zwischen den Variablen keine Beziehung besteht. Der absolute Wert des höchsten \({r}_{p}\) zwischen einer beliebigen Eingabevariablen und der Ausgabevariablen gibt den signifikantesten Einfluss auf den abhängigen Parameter an. Zur Berechnung der \({r}_{p}\)-Werte wurde die folgende Gleichung verwendet:

wobei \({y}_{i}\), \(\overline{y }\) , \({x}_{i}\) und \(\overline{x }\) die i-te Ausgabe bezeichnen, Ausgabedurchschnitt, i-ter Eingang bzw. Durchschnitt der Eingabe.

Die Werte von \({r}_{p}\) für Eingabeparameter für das SGB-Modell sind in Abb. 5 dargestellt. Die Ergebnisse zeigen die negativen Auswirkungen von \(T\), \({Mw}_{IL} \), \({\rho }_{IL}\), \({Tb}_{non-IL}\) und \({Mw}_{non-IL}\) auf die Oberflächenspannung von binären Mischungen, die ILs enthalten. Der \({x}_{IL}\) hat den positiven und größten Einfluss auf die Oberflächenspannung binärer Mischungen mit einem \({r}_{p}\) von 0,32280, während die Variable von T der am wenigsten wirksame Parameter ist das \({r}_{p}\) von − 0,00006.

Die RP-Werte der Eingabeparameter.

Hashemkhani et al.46 nutzten 748 experimentelle Datenpunkte, um die Oberflächenspannung binärer Gemische, die ILs enthielten, mithilfe von SVM-basierten Methoden vorherzusagen. Sie führten eine Studie durch, um die drei Parameter des SVM-Algorithmus zur Vorhersage der Oberflächenspannung zu optimieren. Dies erfolgte mithilfe eines benutzerdefinierten Ansatzes, der auf Vorkenntnissen und Erfahrungen basierte. Darüber hinaus wurden GA- und CSA-Algorithmen verwendet, um eine verbesserte Kombination der beiden im LSSVM-Modell eingebetteten Hyperparameter zu finden. Ziel war es, die Generalisierungsleistung des LSSVM-Modells bei der Vorhersage der Oberflächenspannung zu maximieren. Durch den Einsatz dieser Optimierungstechniken wollten die Forscher die Genauigkeit und Wirksamkeit des LSSVM-Modells zur Vorhersage der Oberflächenspannung verbessern. Mit demselben Datensatz wurde ein ANN51-Modell mit einer Struktur vorgeschlagen, die zwölf Neuronen in ihren beiden verborgenen Schichten enthält und durch die Trainbr-Funktion trainiert wurde, um die Oberflächenspannung binärer Gemische vorherzusagen. Tabelle 2 zeigt die berechneten R- und MRAE-Werte für das SGB-Modell, drei SVM-basierte Modelle, d. h. SVM-, GA-LSSVM- und CSA-LSSVM-Modelle, sowie das ANN-Modell. Aufgrund höherer R-Werte und niedrigerer MRAE-Werte übertrifft das SGB-Modell die genannten heuristischen Ansätze bei der Vorhersage der Oberflächenspannung untersuchter binärer Gemische und zeigt bessere Ergebnisse. Ein weiterer zu berücksichtigender Punkt ist, dass das SGB nicht nur genauere Ergebnisse generiert, sondern auch einen umfassenderen Datensatz abdeckt. Es wurde auf der Grundlage eines großen Datensatzes von 4010 Punkten erstellt, der einen Oberflächenspannungsbereich von 0,0157–0,0727 N m−1 und einen Temperaturbereich von 278,15–348,15 K abdeckt. Dieser Datensatz umfasst 122 Binärsysteme mit 20 Nicht-IL-Komponenten und 48 IL-Komponenten. Andererseits wurden ANN, SVM, GA-LSSVM und CSA-LSSVM auf der Grundlage eines kleineren Datensatzes von 748 Punkten erstellt, der 31 Binärsysteme mit 9 Nicht-IL-Komponenten und 15 IL-Komponenten abdeckt. Dieser Datensatz deckt einen Oberflächenspannungsbereich von 0,0157–0,07135 N m−1 und einen Temperaturbereich von 283,1–348,15 K ab.

Um das SGB-Modell mit den Modellen ANN53, SVM46, CSA-LSSVM46 und GA-LSSVM46 zu vergleichen, die auf 21 verschiedenen untersuchten Binärmischungen basieren, die in diesen Modellen üblich waren, wurde der MRAE in Prozent für jedes Binärsystem berechnet. Es sollte erwähnt werden, dass anstelle von \({Tb}_{non-IL}\) und \({\rho }_{IL}\) der Schmelzpunkt der IL- und Nicht-IL-Komponenten als Modelleingangsvariablen für eingeführt wird das vorgeschlagene ANN-Modell von Lashkarbolooki53. Er schlug ein ANN-Modell für die Vorhersage der binären Oberflächenspannung vor, das eine verborgene Schicht mit 16 Neuronen auf der Grundlage von 836 binären Oberflächenspannungsdatenpunkten umfasste, die in einem Temperaturbereich von 278,15–348,1 K erhalten wurden, und insgesamt 11 ILs und 11 Nicht-Oberflächenspannungsdatenpunkte umfasste. ILs, was zu 32 binären IL/Nicht-IL-Systemen führt. Das Netzwerk wurde durch die Trainlm-Funktion mit 836 gesammelten Datenpunkten trainiert. Tabelle 3 zeigt offensichtlich, dass das vorgeschlagene SGB-Modell die anderen hinsichtlich des MRAE-Prozentsatzes übertrifft.

Darüber hinaus wurden die berechneten MRAE%-Werte von drei Modellen basierend auf Neural Network (NN) und SVM, nämlich. GMDH-PNN, GA-SVM und GA-LSSVM, die von Atashrouz et al.52 vorgeschlagen wurden, sowie das SGB-Modell für 13 verschiedene binäre Mischungen, die in diesen Modellen üblich waren, sind in Tabelle 4 aufgeführt. Wie gezeigt, ist dies klar Das hier vorgestellte SGB-Modell weist im Durchschnitt den kleinsten MRAE-Prozentsatz für die häufig untersuchten Binärmischungen auf. Es ist erwähnenswert, dass anstelle von \({MW}_{IL}. {MW}_{non-IL}.{Tb}_{non-IL}\) und \({\rho }_{IL} \), Oberflächenspannung reiner Komponenten, die als Eingabevariablen in die Modelle von Atashrouz et al.52 eingeführt wurden. Hervorzuheben ist auch, dass Atashrouz und Kollegen52 zwei separate Modelle unter Verwendung unterschiedlicher Datensätze entwickelt haben; eine für mit Wasser gemischte ILs und eine für mit organischen Verbindungen gemischte ILs. Im Gegensatz dazu ist das in dieser Studie vorgeschlagene SGB-Modell ein einheitliches Modell, das beide binären Systeme abdeckt, einschließlich sowohl mit Wasser gemischter ILs als auch 19 verschiedener organischer Verbindungen. Dies weist darauf hin, dass das SGB-Modell eine breitere Anwendbarkeit hat und umfassender ist als die von Atashrouz et al.52 entwickelten Vorgängermodelle. Darüber hinaus sollte betont werden, dass die von Atashrouz et al.52 vorgeschlagenen Modelle unter Verwendung von 573 binären Oberflächenspannungsdatenpunkten erstellt wurden, die in einem Temperaturbereich von 283,15–342,8 K gesammelt wurden und einen Bereich von Oberflächenspannungswerten von 0,0218 bis 0,07160 abdecken NM−1. Die Modelle umfassen 20 ILs und 8 Nicht-ILs, was insgesamt 28 binäre IL/Nicht-IL-Systeme ergibt.

Darüber hinaus wurde die Fähigkeit des SGB-Modells zur Vorhersage der Oberflächenspannung von Mischungen in dieser Studie auch mit den ANN-Modellen verglichen, die mit GA-, PSO-, ICA- und TLBO-Algorithmen optimiert wurden und von Setiawan und Kollegen33 im Hinblick auf R2 und MSE vorgeschlagen wurden Werte sind in Tabelle 5 angegeben. Wie in Tabelle 5 zu sehen ist, liefert das SGB-Modell bessere Ergebnisse als die Modelle PSO-ANN, GA-ANN, ICA-ANN und TLBO-ANN. Der in der Studie von Setiawan et al. verwendete Datensatz und die Eingabeparameter33 waren identisch mit denen in der Untersuchung von Hashemkhani et al.46.

Darüber hinaus wurde ein Vergleich zwischen dem SGB-Modell und dem MGGP-Modell55 hinsichtlich ihrer Fähigkeit durchgeführt, die Oberflächenspannung von 9 binären Systemen vorherzusagen, die in beiden Modellen vorhanden waren. In Tabelle 6 sind die MRAE-%-Werte für beide Modelle aufgeführt. Die Ergebnisse legen nahe, dass die Oberflächenspannungsvorhersagen des vorgeschlagenen SGB-Modells im Vergleich zum MGGP-Modell besser mit den experimentellen Daten übereinstimmen. Es ist zu beachten, dass das MGGP-Modell unter Verwendung eines Datensatzes mit 1414 Datenpunkten entwickelt wurde, der sich auf 37 Binärsysteme bezieht und 10 Nicht-IL-Komponenten und 20 IL-Komponenten umfasst. Dieser Datensatz deckt einen Temperaturbereich von 278,15 bis 348,15 K ab.

Schließlich präsentiert Tabelle 7 einen Vergleich der MSE-Werte von sechs von Shojaeian und Asadizadeh54 entwickelten Modellen, darunter ANFIS, ANFIS-ACO, ANFIS-DE, ANFIS-GA, ANFIS-PSO und ANN, mit dem SGB-Modell. Die Autoren verwendeten 1537 Datenpunkte aus 33 binären Mischungen, die 15 einzigartige IL-Komponenten und 11 einzelne Nicht-IL-Substanzen umfassten, um die Oberflächenspannung über einen Temperaturbereich von 278,15–338,15 K mit einem Oberflächenspannungsbereich von 0,0189–0,0727 NM−1 vorherzusagen. Um die Eingabeparameter vorzubereiten, verwendeten sie physikalische Eigenschaften wie Temperatur, reduzierte Temperatur, kritische Temperatur, kritischer Druck, kritisches Volumen, Molekulargewicht, azentrischer Faktor und kritischer Kompressibilitätsfaktor sowie zwei verschiedene Mischungsregeln. Die von Shojaeian und Asadizadeh vorgeschlagenen ANN-Modelle hatten eine verborgene Schicht mit 10 Neuronen und verwendeten die Trainingsfunktion trainlm. In den ANFIS-basierten Modellen wurden ACO-, DE-, GA- und PSO-Algorithmen eingeführt, um die optimalen Parameter zu erhalten. Tabelle 7 zeigt, dass das SGB-Modell genauer und sowohl dem ANN-Modell als auch den fünf von Shojaeian und Asadizadeh54 vorgeschlagenen ANFIS-basierten Modellen überlegen ist.

Die Erkennung von Ausreißern ist bei der Entwicklung mathematischer Modelle von entscheidender Bedeutung84. Ausreißer beziehen sich auf Beobachtungen, die von der Masse der unter denselben Bedingungen erhaltenen Daten abweichen84,85. Bei Projekten zur Datenerfassung kommt es häufig zu Ausreißern oder zweifelhaften Daten, und dies gilt insbesondere für große Datensätze wie den in dieser Studie verwendeten. Neben Fehlern bei experimentellen Messungen können auch Fehler bei der Dateneingabe zum Auftreten von Ausreißern beitragen, insbesondere wenn Daten manuell erfasst werden86. Um zuverlässige Vorhersagemodelle zu entwickeln, ist es wichtig, über genaue Datenpunkte aus experimentellen Tests zu verfügen87. Doch selbst wenn die Daten aus seriösen Quellen stammen, können Fehler bei experimentellen Messungen die Vorhersagefähigkeit des Modells beeinträchtigen. Das Entfernen potenzieller Ausreißer kann die Modellleistung verbessern, erfordert jedoch eine neuartige Technik, um sie zu identifizieren. Der Leverage-Ansatz wird in dieser Studie verwendet, um die Qualität experimenteller Datenpunkte zu bewerten und den Anwendungsbereich des besten Modells zu bestimmen.

Der Leverage-Ansatz beinhaltet die Verwendung einer Hat-Matrix (H), um die Hat-Indizes oder Leverage von Datenpunkten wie folgt zu berechnen84,85,88,89:

Die angegebene Gleichung verwendet eine zweidimensionale Matrix X mit N Zeilen (die die Datenpunkte darstellen) und k Spalten (die die Modellparameter darstellen) sowie einen Transponierungsmultiplikator t. Die Hutwerte der Daten werden durch die diagonalen Komponenten der H-Matrix dargestellt, die mit Gleichung (1) ermittelt werden. (15). Diese H-Werte werden dann in einem Williams-Diagramm verwendet, um Ausreißer und vermutete Datenpunkte visuell zu identifizieren und die Korrelation zwischen den H-Indizes und standardisierten Residuen zu bestimmen. Ein Williams-Diagramm ist im Wesentlichen ein Diagramm, das standardisierte Residuen gegen Hat-Werte darstellt und zur Unterscheidung gültiger Daten, vermuteter Daten und Daten außerhalb der Hebelwirkung verwendet werden kann. Die standardisierten Residuen (SR), auch Kreuzvalidierungs-Residuen genannt, werden für jeden Datenpunkt anhand der folgenden Formel89 berechnet:

Der Hat-Index des i-ten Datenpunkts wird in der oben angegebenen Gleichung mit Hii bezeichnet.

Der Leverage-Ansatz nutzt einen Warn-Leverage-Parameter (\({\mathrm{H}}^{*}\)) zum Akzeptieren oder Ablehnen von Modellausgaben und -messungen. Dieser Parameter wird mit der Gleichung H = 3(k + 1)/N bestimmt. Typischerweise wird ein Leverage-Wert von 3 als Schwellenwert verwendet, was bedeutet, dass akzeptable Daten im Bereich von −3 bis +3 Standardabweichungen vom Mittelwert liegen sollten. Diese Grenzen sind in Abb. 6 durch zwei rote Linien dargestellt. Wenn die Mehrheit der Datenpunkte in die Bereiche von \(0 \le {H}_{ii}\le {\mathrm{H}}^{*}\ fallen ) und \(-3 \le {SR}_{i} \le 3\) kann gefolgert werden, dass das Modell und seine Vorhersagen gültig und zuverlässig sind und dass die zur Entwicklung des Modells verwendeten experimentellen Daten ebenfalls zuverlässig und zuverlässig sind gültig84,89.

Das Williams-Diagramm des SGB-Modells zur Vorhersage der Oberflächenspannung von binären Gemischen, die ILs enthalten.

Anhand von Abb. 6 ist ersichtlich, dass nur ein kleiner Teil (1,5 %) der Datenpunkte als verdächtig gekennzeichnet wurde. Daraus lässt sich schließen, dass das vorgeschlagene Modell äußerst anwendbar, zuverlässig, genau und statistisch gültig ist, da die Mehrheit der Datenpunkte in die angegebenen Bereiche von H und R fallen.

Die Fähigkeit des SGB-Baummodells, 122 verschiedene Arten von binären Systemen zu verarbeiten, die Oberflächenspannung von binären Mischungen, die ILs enthalten, auf der Grundlage eines umfassenden Datensatzes von 4010 experimentellen Datenpunkten vorherzusagen, besteht aus 48 verschiedenen ILs und 20 verschiedenen Nicht-IL-Komponenten. wurde untersucht. Im SGB-Baummodell werden die Systembedingungen Temperatur und IL-Komponentenzusammensetzung sowie Molekulargewicht von IL- und Nicht-IL-Komponenten, Dichte von IL-Komponenten und normaler Siedepunkt von Nicht-IL-Komponenten als Eingabevariablen verwendet. Es ist bemerkenswert, dass das SGB-Baummodell zum ersten Mal zur Vorhersage/Abschätzung der Eigenschaften von Gemischen, insbesondere solchen, die IL enthalten, verwendet wurde. Basierend auf den präsentierten Ergebnissen umfassen die Hauptbeiträge der aktuellen Forschung:

Experimentelle Oberflächenspannungen der untersuchten binären Systeme zeigen eine Konsistenz und gute Übereinstimmung mit den Ergebnissen des SGB-Baummodells.

Die MRAE- und R-Werte der SGB-Modelle zur Vorhersage von Gemischen, die ILS enthalten, lagen bei nahezu 0,003989 bzw. 0,99923.

Der Vergleich zwischen den Ergebnissen von 18 verschiedenen Berechnungsansätzen zeigt, dass die SGB-Methode SVM, GA-SVM, GA-LSSVM, CSA-LSSVM, GMDH-PNN, drei basierten ANNs, PSO-ANN, GA-ANN, deutlich überlegen ist. ICA-ANN-, TLBO-ANN-, ANFIS-, ANFIS-ACO-, ANFIS-DE-, ANFIS-GA-, ANFIS-PSO- und MGGP-Modelle hinsichtlich der Genauigkeit.

Darüber hinaus wurde anhand des Balkendiagramms der Prädiktorbedeutung der Molenbruch der IL-Komponente als die Variable erkannt, die den größten Beitrag zur Vorhersage der abhängigen Variablen von Interesse leistet.

Der mathematische Leverage-Algorithmus wurde verwendet, um Ausreißer zu erkennen und den Anwendbarkeitsbereich des in dieser Studie vorgeschlagenen SGB-Modells zu bewerten. Die Analyse ergab, dass ein sehr kleiner Prozentsatz, nämlich 1,5 %, des Gesamtdatensatzes als fragwürdig eingestuft wurde und nicht den erwarteten Kriterien entsprach.

Neben der hohen Genauigkeit der vorhergesagten Oberflächenspannungen besteht der wichtigste Vorteil des in dieser Studie vorgeschlagenen Modells der binären Oberflächenspannungen darin, dass das vorgeschlagene SGB-Baummodell ausschließlich auf experimentellen Daten basiert, was es für Wissenschaftler und Ingenieure attraktiv macht Wenden Sie ein solches Ensemble-Lernwerkzeug zur groben Schätzung der Oberflächenspannung beliebiger binärer Mischungen aus ILs an.

Die Erkenntnisse dieser Studie können in Branchen genutzt werden, die ILs nutzen, insbesondere bei der Gestaltung und Optimierung neuer Prozesse im industriellen Maßstab.

Aufgrund der Anwendung des größten verfügbaren Datensatzes wurde eine zuverlässige Technik entwickelt, um die Oberflächenspannung zahlreicher binärer Gemische mit verschiedenen ILs vorherzusagen. Dennoch gibt es eine Einschränkung: Obwohl die SGB-Methode breit anwendbar ist, ist ihre Vorhersagefähigkeit auf binäre Systeme beschränkt, die denen, die zur Erstellung des Modells verwendet wurden, sehr ähnlich sind. Es ist nicht ratsam, das entwickelte Tool auf binäre Systeme anzuwenden, die sich von den untersuchten völlig unterscheiden, obwohl es möglicherweise eine grobe Annäherung an die Oberflächenspannung solcher Gemische liefert.

Zukünftige Richtungen dieser Arbeit könnten darin bestehen, die entwickelten Modelle anzuwenden, um die Oberflächenspannung neuer binärer Mischungen, die verschiedene ILs wie Phosphonium und sulfoniumbasierte ILs enthalten, vorherzusagen und ihre Leistung anhand experimenteller Daten zu bewerten. Darüber hinaus könnte das entwickelte Modell zur Prozessoptimierung und -gestaltung für verschiedene industrielle Anwendungen eingesetzt werden. Weitere Forschungen könnten auch die Machbarkeit der Anwendung dieser Modelle auf ternäre und Mehrkomponentensysteme mit ILs untersuchen. Weitere Untersuchungen könnten auch die Machbarkeit der Anwendung dieses Modells auf andere Arten von Eigenschaften von Gemischen, die ILs enthalten, untersuchen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

Adaptives Neuro-Fuzzy-Inferenzsystem

Künstliche neuronale Netz

Optimierung von Ameisenkolonien, CSA-gekoppeltes simuliertes Annealing

Differenzielle Entwicklung

Entscheidungsbaum

Dichtegradiententheorie

Verbesserte Ölrückgewinnung

Genetischen Algorithmus

Gradientenverstärkung

Gruppenmethode zur Datenverarbeitung in einem polynomialen neuronalen Netzwerk

Gaußsche Prozessregression

Imperialistischer Wettbewerbsalgorithmus

Grenzflächenspannung

Ionische Flüssigkeit

Kleinste quadratische Support-Vektor-Maschine

Mittlerer absoluter Fehler

Genetische Multi-Gen-Programmierung

Mittlerer relativer absoluter Fehler

Mittlerer relativer quadratischer Fehler

Mittlerer quadratischer Fehler

Nationales Institut für Standards und Technologie

Neurales Netzwerk

Partikelschwarmoptimierung

Relativer absoluter Fehler

Weiche statistische assoziierende Flüssigkeitstheorie

Stochastische Gradientenverstärkung

Standardisierte Residuen

Support-Vektor-Maschine

Unterstützung der Vektorregression

Lehr-lernbasierte Optimierung

Genauigkeitsfaktor

Bias-Faktor

Hutwert

Warnhebel

Anzahl der Eingabeparameter

Korrelationskoeffizient

Temperatur

Multiplikator transponieren

Zusammensetzung der IL-Komponenten

Molekulargewicht der IL-Komponenten

Dichte der IL-Komponenten

Korrelationskoeffizient nach Pearson

Nicht-IL-Komponente mit Siedepunkt

Molekulargewicht der Nicht-IL-Komponente

Oberflächenspannung

Lernrate

Gesamtzahl der Datenpunkte

Ith-Eingabe

Durchschnitt der Eingaben

Experimentelle Ausgabe am Probenahmepunkt \(i\)

iTh-Ausgabe des Modells

Ausgabedurchschnitt der Ausgabe

Zhang, S. et al. Ionische Flüssigkeiten: Physikochemische Eigenschaften (Elsevier, 2009).

Google Scholar

Mohammad, A. Green Solvents II: Eigenschaften und Anwendungen ionischer Flüssigkeiten Bd. 2 (Springer Science & Business Media, 2012).

Buchen Sie Google Scholar

Oliveira, M. et al. Oberflächenspannung binärer Mischungen von 1-Alkyl-3-methylimidazolium-bis(trifluormethylsulfonyl)imid-ionischen Flüssigkeiten: Experimentelle Messungen und Soft-SAFT-Modellierung. J. Phys. Chem. B 116, 12133–12141 (2012).

Artikel CAS PubMed Google Scholar

Plechkova, NV & Seddon, KR Anwendungen ionischer Flüssigkeiten in der chemischen Industrie. Chem. Soc. Rev. 37, 123–150 (2008).

Artikel CAS PubMed Google Scholar

Nasirpour, N., Mohammadpourfard, M. & Heris, SZ Ionische Flüssigkeiten: Vielversprechende Verbindungen für nachhaltige chemische Prozesse und Anwendungen. Chem. Ing. Res. Des. 160, 264–300 (2020).

Artikel CAS Google Scholar

Iglesias-Otero, MA, Troncoso, J., Carballo, E. & Romaní, L. Dichte und Brechungsindex in Mischungen aus ionischen Flüssigkeiten und organischen Lösungsmitteln: Korrelationen und Vorhersagen. J. Chem. Thermodyn. 40, 949–956 (2008).

Artikel CAS Google Scholar

Hazrati, N., Beigi, AAM & Abdouss, M. Demulgierung von Wasser in Rohölemulsionen mit langkettigen Imidazolium-Ionenflüssigkeiten und Optimierung der Parameter. Kraftstoff 229, 126–134 (2018).

Artikel CAS Google Scholar

Alonso, L., Arce, A., Francisco, M. & Soto, A. Lösungsmittelextraktion von Thiophen aus n-Alkanen (C 7, C 12 und C 16) unter Verwendung der ionischen Flüssigkeit [C 8 mim][BF 4 ]. J. Chem. Thermodyn. 40, 966–972 (2008).

Artikel CAS Google Scholar

Cheng, D.-H., Chen, X.-W., Shu, Y. & Wang, J.-H. Selektive Extraktion/Isolierung von Hämoglobin mit der ionischen Flüssigkeit 1-Butyl-3-trimethylsilylimidazoliumhexafluorphosphat (BtmsimPF 6). Talanta 75, 1270–1278 (2008).

Artikel CAS PubMed Google Scholar

Fu, X., Dai, S. & Zhang, Y. Vergleich der Extraktionskapazitäten zwischen ionischen Flüssigkeiten und Dichlormethan. Kinn. J. Anal. Chem. 34, 598–602 (2006).

Artikel CAS Google Scholar

Li, M., Pittman, CU & Li, T. Extraktion mehrfach ungesättigter Fettsäuremethylester durch ionische Flüssigkeiten auf Imidazoliumbasis, die Silbertetrafluorborat enthalten – Extraktionsgleichgewichtsstudien. Talanta 78, 1364–1370 (2009).

Artikel CAS PubMed Google Scholar

Law, G. & Watson, PR Oberflächenspannungsmessungen von N-Alkylimidazolium-Ionenflüssigkeiten. Langmuir 17, 6138–6141 (2001).

Artikel CAS Google Scholar

Cserjési, P., Nemestóthy, N. & Bélafi-Bakó, K. Gastrennungseigenschaften von unterstützten Flüssigkeitsmembranen, die mit unkonventionellen ionischen Flüssigkeiten hergestellt wurden. J. Mitglied Wissenschaft. 349, 6–11 (2010).

Artikel Google Scholar

Mahurin, SM, Lee, JS, Baker, GA, Luo, H. & Dai, S. Leistung nitrilhaltiger Anionen in aufgabenspezifischen ionischen Flüssigkeiten für eine verbesserte CO2/N2-Trennung. J. Mitglied Wissenschaft. 353, 177–183 (2010).

Artikel CAS Google Scholar

Palgunadi, J., Kim, HS, Lee, JM & Jung, S. Ionische Flüssigkeiten für die Acetylen- und Ethylentrennung: Materialauswahl und Löslichkeitsuntersuchung. Chem. Ing. Verfahren. 49, 192–198 (2010).

Artikel CAS Google Scholar

Pham-Truong, T.-N., Randriamahazaka, H. & Ghilane, J. Elektrochemie der Bi-Redox-Ionenflüssigkeit von der Lösung bis zur bifunktionellen Kohlenstoffoberfläche. Elektrochim. Acta 354, 136689 (2020).

Artikel CAS Google Scholar

Liu, K., Wang, Z., Shi, L., Jungsuttiwong, S. & Yuan, S. Ionische Flüssigkeiten für Hochleistungs-Lithium-Metall-Batterien. J. Energy Chem. https://doi.org/10.1016/j.jechem.2020.11.017 (2020).

Artikel Google Scholar

Yoo, CG, Pu, Y. & Ragauskas, AJ Ionische Flüssigkeiten: Vielversprechende grüne Lösungsmittel für die Nutzung von Lignozellulose-Biomasse. Curr. Meinung. Grüne Nachhaltigkeit. Chem. 5, 5–11 (2017).

Artikel Google Scholar

Wu, J. et al. Extraktionsentschwefelung von Kraftstoffen mithilfe einer porösen Flüssigkeit auf ZIF-8-Basis. Kraftstoff 300, 121013 (2021).

Artikel CAS Google Scholar

Kim, JW et al. Synthese ionischer Flüssigkeiten auf Basis von Alkylimidazoliumsalzen und deren Kohlelösungs- und Dispersionseigenschaften. J. Ind. Eng. Chem. 20, 372–378 (2014).

Artikel CAS Google Scholar

Li, X. et al. Durch ionische Flüssigkeiten verstärkte Lösungsmittelextraktion zur Bitumenrückgewinnung aus Ölsanden. Energy Fuels 25, 5224–5231 (2011).

Artikel CAS Google Scholar

Williams, P., Lupinsky, A. & Painter, P. Gewinnung von Bitumen aus minderwertigen Ölsanden mithilfe ionischer Flüssigkeiten. Energy Fuels 24, 2172–2173 (2010).

Artikel CAS Google Scholar

Sakthivel, S., Velusamy, S., Gardas, RL & Sangwai, JS Ökoeffiziente und umweltfreundliche Methode zur verbesserten Auflösung aromatischer Rohölschlämme mithilfe ionischer Flüssigkeiten. RSC Adv. 4, 31007–31018 (2014).

Artikel ADS CAS Google Scholar

Sakthivel, S., Velusamy, S., Gardas, RL & Sangwai, JS Experimentelle Untersuchung der Wirkung aliphatischer ionischer Flüssigkeiten auf die Löslichkeit von schwerem Rohöl mittels UV-sichtbarer, Fourier-Transformations-Infrarot- und 13C-NMR-Spektroskopie. Energy Fuels 28, 6151–6162 (2014).

Artikel CAS Google Scholar

Zheng, C., Brunner, M., Li, H., Zhang, D. & Atkin, R. Auflösung und Suspension von Asphaltenen mit ionischen Flüssigkeiten. Kraftstoff 238, 129–138 (2019).

Artikel CAS Google Scholar

Sakthivel, S., Velusamy, S., Nair, VC, Sharma, T. & Sangwai, JS Grenzflächenspannung des Rohöl-Wasser-Systems mit ionischen Flüssigkeiten auf Imidazolium- und Lactambasis und deren Bewertung für eine verbesserte Ölgewinnung in einer Umgebung mit hohem Salzgehalt. Kraftstoff 191, 239–250 (2017).

Artikel CAS Google Scholar

Wandschneider, A., Lehmann, JK & Heintz, A. Oberflächenspannung und Dichte reiner ionischer Flüssigkeiten und einiger binärer Mischungen mit 1-Propanol und 1-Butanol. J. Chem. Ing. Daten 53, 596–599 (2008).

Artikel CAS Google Scholar

Montaño, D., Bandrés, I., Ballesteros, LM, Lafuente, C. & Royo, FM Untersuchung der Oberflächenspannungen binärer Mischungen isomerer Chlorbutane mit Methyl-tert-butylether. J. Solut. Chem. 40, 1173–1186 (2011).

Artikel Google Scholar

Carvalho, PJ, Freire, MG, Marrucho, IM, Queimada, AJ & Coutinho, JA Oberflächenspannungen für die ionischen Flüssigkeiten 1-Alkyl-3-methylimidazolium bis (trifluormethylsulfonyl)imid. J. Chem. Ing. Daten https://doi.org/10.1021/je800069z (2008).

Artikel Google Scholar

Abdul-Majeed, GH & Al-Soof, NBA Schätzung der Gas-Öl-Oberflächenspannung. J. Benzin. Wissenschaft. Ing. 27, 197–200 (2000).

Artikel CAS Google Scholar

Pandey, J., Chandra, P., Srivastava, T., Soni, N. & Singh, A. Schätzung der Oberflächenspannung ternärer Flüssigkeitssysteme durch die Methode der entsprechenden Gruppenbeiträge und die Flory-Theorie. Flüssigkeitsphasengleichgewicht. 273, 44–51 (2008).

Artikel CAS Google Scholar

Tariq, M. et al. Oberflächenspannung ionischer Flüssigkeiten und ionischer Flüssigkeitslösungen. Chem. Soc. Rev. 41, 829–868 (2012).

Artikel CAS PubMed Google Scholar

Setiawan, R., Daneshfar, R., Rezvanjou, O., Ashoori, S. & Naseri, M. Oberflächenspannung binärer Mischungen mit umweltfreundlichen ionischen Flüssigkeiten: Erkenntnisse aus künstlicher Intelligenz. Umgebung. Entwickler Aufrechterhalten. 23, 17606–17627 (2021).

Artikel Google Scholar

Rice, P. & Teja, AS Eine verallgemeinerte Methode entsprechender Zustände zur Vorhersage der Oberflächenspannung reiner Flüssigkeiten und Flüssigkeitsmischungen. J. Colloid Interface Sci. 86, 158–163 (1982).

Artikel ADS CAS Google Scholar

Gharagheizi, F., Ilani-Kashkouli, P. & Mohammadi, AH Gruppenbeitragsmodell zur Schätzung der Oberflächenspannung ionischer Flüssigkeiten. Chem. Ing. Wissenschaft. 78, 204–208 (2012).

Artikel CAS Google Scholar

Cardona, LF & Valderrama, JO Oberflächenspannung von Gemischen, die ionische Flüssigkeiten enthalten, basierend auf einer Zustandsgleichung und dem geometrischen Ähnlichkeitskonzept. Ionics 26, 6095–6118 (2020).

Artikel CAS Google Scholar

Safamirzaei, M. & Modarress, H. Korrelation und Vorhersage der Niederdrucklöslichkeit von Gasen in [bmim][BF 4] durch molekulare Modellierung neuronaler Netzwerke. Thermochim. Acta 545, 125–130 (2012).

Artikel CAS Google Scholar

Reihanian, M., Asadullahpour, S., Hajarpour, S. & Gheisari, K. Anwendung eines neuronalen Netzwerks und eines genetischen Algorithmus auf die Pulvermetallurgie von reinem Eisen. Mater. Des. 32, 3183–3188 (2011).

Artikel CAS Google Scholar

Hezave, AZ, Raeissi, S. & Lashkarbolooki, M. Schätzung der Wärmeleitfähigkeit ionischer Flüssigkeiten mithilfe eines Perzeptron-Neuronalen Netzwerks. Ind. Eng. Chem. Res. 51, 9886–9893 (2012).

Artikel CAS Google Scholar

Eslamimanesh, A., Gharagheizi, F., Mohammadi, AH & Richon, D. Künstliche neuronale Netzwerkmodellierung der Löslichkeit von überkritischem Kohlendioxid in 24 häufig verwendeten ionischen Flüssigkeiten. Chem. Ing. Wissenschaft. 66, 3039–3044 (2011).

Artikel CAS Google Scholar

Hezave, AZ, Lashkarbolooki, M. & Raeissi, S. Verwendung eines künstlichen neuronalen Netzwerks zur Vorhersage der ternären elektrischen Leitfähigkeit von Systemen ionischer Flüssigkeiten. Flüssigkeitsphasengleichgewicht. 314, 128–133 (2012).

Artikel CAS Google Scholar

Hezave, AZ, Lashkarbolooki, M. & Raeissi, S. Korrelation von Blasenpunkten ternärer Systeme mit neun Lösungsmitteln und zwei ionischen Flüssigkeiten unter Verwendung eines künstlichen neuronalen Netzwerks. Flüssigkeitsphasengleichgewicht. 352, 34–41 (2013).

Artikel Google Scholar

Lashkarblooki, M., Hezave, AZ, Al-Ajmi, AM & Ayatollahi, S. Viskositätsvorhersage von ternären Mischungen, die ILs enthalten, unter Verwendung eines mehrschichtigen künstlichen neuronalen Perzeptronnetzwerks. Flüssigkeitsphasengleichgewicht. 326, 15–20 (2012).

Artikel CAS Google Scholar

Lashkarbolooki, M., Hezave, AZ & Ayatollahi, S. Künstliches neuronales Netzwerk als anwendbares Werkzeug zur Vorhersage der binären Wärmekapazität von Mischungen, die ionische Flüssigkeiten enthalten. Flüssigkeitsphasengleichgewicht. 324, 102–107 (2012).

Artikel CAS Google Scholar

Torrecilla, JS et al. Optimierung eines künstlichen neuronalen Netzwerks zur Vorhersage des Schmelzpunkts ionischer Flüssigkeiten. Physik. Chem. Chem. Physik. 10, 5826–5831 (2008).

Artikel CAS PubMed Google Scholar

Hashemkhani, M. et al. Vorhersage der binären Oberflächenspannung von Gemischen, die ionische Flüssigkeiten enthalten, mithilfe von Support-Vektor-Maschinen-Algorithmen. J. Mol. Liq. 211, 534–552 (2015).

Artikel CAS Google Scholar

Amirkhani, F., Dashti, A., Abedsoltan, H., Mohammadi, AH & Chau, K.-W. Auf dem Weg zur Abschätzung der Absorption der wichtigsten Luftschadstoffgase in ionischen Flüssigkeiten mithilfe von Soft-Computing-Methoden. J. Taiwan Inst. Chem. Ing. 127, 109–118 (2021).

Artikel CAS Google Scholar

Lazzús, JA, Cuturrufo, F., Pulgar-Villarroel, G., Salfate, I. & Vega, P. Schätzung der temperaturabhängigen Oberflächenspannung ionischer Flüssigkeiten mithilfe einer auf einem neuronalen Netzwerk basierenden Gruppenbeitragsmethode. Ind. Eng. Chem. Res. 56, 6869–6886 (2017).

Artikel Google Scholar

Atashrouz, S., Mirshekar, H. & Mohaddespour, A. Ein robuster Modellierungsansatz zur Vorhersage der Oberflächenspannung ionischer Flüssigkeiten. J. Mol. Liq. 236, 344–357 (2017).

Artikel CAS Google Scholar

Obaid, RJ et al. Neuartige und genaue mathematische Simulation verschiedener Modelle zur genauen Vorhersage von Oberflächenspannungsparametern durch ionische Flüssigkeiten. Araber. J. Chem. 15, 104228 (2022).

Artikel CAS Google Scholar

Soleimani, R., Dehaghani, AHS, Shoushtari, NA, Yaghoubi, P. & Bahadori, A. Auf dem Weg zu einem intelligenten Ansatz zur Vorhersage der Oberflächenspannung von binären Gemischen, die ionische Flüssigkeiten enthalten. Koreanischer J. Chem. Ing. 35, 1556–1569 (2018).

Artikel CAS Google Scholar

Atashrouz, S., Mirshekar, H., Hemmati-Sarapardeh, A., Moraveji, MK & Nasernejad, B. Implementierung von Soft-Computing-Ansätzen zur Vorhersage physikalisch-chemischer Eigenschaften ionischer Flüssigkeitsmischungen. Koreanischer J. Chem. Ing. 34, 425–439 (2017).

Artikel CAS Google Scholar

Lashkarbolooki, M. Künstliche neuronale Netzwerkmodellierung zur Vorhersage der binären Oberflächenspannung, die ionische Flüssigkeiten enthält. Sep. Sci. Technol. 52, 1454–1467 (2017).

Artikel CAS Google Scholar

Shojaeian, A. & Asadizadeh, M. Vorhersage der Oberflächenspannung der binären Gemische, die ionische Flüssigkeiten enthalten, unter Verwendung heuristischer Ansätze; eine Untersuchung der Eingabeparameter. J. Mol. Liq. 298, 111976 (2020).

Artikel CAS Google Scholar

Esmaeili, H. & Hashemipour, H. Eine einfache Korrelation zur Vorhersage der Oberflächenspannung von binären Gemischen, die ionische Flüssigkeiten enthalten. J. Mol. Liq. 324, 114660 (2021).

Artikel CAS Google Scholar

Friedman, J., Hastie, T. & Tibshirani, R. Additive logistische Regression: Eine statistische Sicht auf Boosting (mit Diskussion und einer Gegenerwiderung durch die Autoren). Ann. Stat. 28, 337–407 (2000).

Artikel MATH Google Scholar

Friedman, JH Stochastische Gradientenverstärkung. Berechnen. Stat. Daten Anal. 38, 367–378 (2002).

Artikel MathSciNet MATH Google Scholar

Soleimani, R. et al. Entwicklung eines genauen, auf Entscheidungsbäumen basierenden Modells zur Vorhersage der Kohlendioxidlöslichkeit in Polymeren. Chem. Ing. Technol. 43, 514–522 (2020).

Artikel CAS Google Scholar

Dehaghani, AHS & Soleimani, R. Schätzung der Grenzflächenspannung für die geologische CO2-Speicherung. Chem. Ing. Technol. 42, 680–689 (2019).

Artikel CAS Google Scholar

Abooali, D., Soleimani, R. & Rezaei-Yazdi, A. Modellierung der CO2-Absorption in wässrigen Lösungen von DEA, MDEA und DEA+ MDEA basierend auf intelligenten Methoden. Sep. Sci. Technol. 55, 697–707 (2020).

Artikel CAS Google Scholar

Soleimani, R., Abooali, D. & Shoushtari, NA Charakterisierung der CO2-Abscheidung mit wässrigen Lösungen von LysK und der Mischung aus MAPA+DEEA unter Verwendung von Soft-Computing-Methoden. Energie 164, 664–675 (2018).

Artikel CAS Google Scholar

Dong, Q. et al. ILThermo: Eine frei zugängliche Webdatenbank für thermodynamische Eigenschaften ionischer Flüssigkeiten. J. Chem. Ing. Daten 52, 1151–1159 (2007).

Artikel CAS Google Scholar

Friedman, JH Greedy-Funktionsnäherung: Eine Gradientenverstärkungsmaschine. Ann. Stat. https://doi.org/10.1214/aos/1013203451 (2001).

Artikel MathSciNet MATH Google Scholar

Kriegler, B. & Berk, R. Kleinflächenschätzung der Obdachlosen in Los Angeles: Eine Anwendung der kostensensitiven stochastischen Gradientenverstärkung. Ann. Appl. Stat. https://doi.org/10.1214/10-AOAS328 (2010).

Artikel MathSciNet MATH Google Scholar

Kuhn, M. & Johnson, K. Applied Predictive Modeling Vol. 810 (Springer, 2013).

Buchen Sie MATH Google Scholar

Breiman, L. Arcing the Edge. (Technischer Bericht 486, Statistikabteilung, University of California in Berkeley, 1997).

Abooali, D. & Soleimani, R. Strukturbasierte Modellierung der kritischen Mizellenkonzentration (CMC) anionischer Tenside in Salzlake mit intelligenten Methoden. Wissenschaft. Rep. 13(1), 13361 (2023).

Artikel ADS Google Scholar

Brillante, L. et al. Untersuchung des Einsatzes einer Gradientenverstärkungsmaschine, eines Zufallswaldes und ihres Ensembles zur Vorhersage des Flavonoidgehalts in der Haut anhand der physikalisch-mechanischen Eigenschaften der Beeren in Weintrauben. Berechnen. Elektron. Landwirtschaft. 117, 186–193 (2015).

Artikel Google Scholar

Godinho, S., Guiomar, N. & Gil, A. Verwendung eines stochastischen Gradientenverstärkungsalgorithmus zur Analyse der Wirksamkeit von Landsat 8-Daten für die Kartierung der Montado-Landbedeckung: Anwendung in Südportugal. Int. J. Appl. Erdobs. Geoinf. 49, 151–162 (2016).

ADS Google Scholar

Zhou, J., Li, X. & Mitri, HS Vergleichende Leistung von sechs überwachten Lernmethoden für die Entwicklung von Modellen zur Vorhersage der Stabilität von Hartgesteinssäulen. Nat. Hazards 79, 291–316 (2015).

Artikel Google Scholar

Soleimani, R., Dehaghani, AHS & Bahadori, A. Ein neuer entscheidungsbaumbasierter Algorithmus zur Vorhersage der Schwefelwasserstofflöslichkeit in verschiedenen ionischen Flüssigkeiten. J. Mol. Liq. 242, 701–713 (2017).

Artikel CAS Google Scholar

Saeedi Dehaghani, AH & Soleimani, R. Vorhersage des minimalen Mischbarkeitsdrucks von CO2-Öl mithilfe von Soft-Computing-Methoden. Chem. Ing. Technol. 43, 1361–1371 (2020).

Artikel CAS Google Scholar

Abooali, D., Soleimani, R. & Gholamreza-Ravi, S. Charakterisierung physikalisch-chemischer Eigenschaften von Biodieselkomponenten mithilfe intelligenter Data-Mining-Ansätze. Kraftstoff 266, 117075 (2020).

Artikel CAS Google Scholar

Subasi, A., El-Amin, MF, Darwich, T. & Dossary, M. Permeabilitätsvorhersage von Erdöllagerstätten mithilfe einer stochastischen Gradientenverstärkungsregression. J. Ambient Intell. Humaniz. Berechnen. https://doi.org/10.1007/s12652-020-01986-0 (2020).

Artikel Google Scholar

Gu, Y.-Q. et al. Verwendung eines SGB-Entscheidungsbaumansatzes zur Abschätzung der Eigenschaften von CRM, das aus mit ionischen Flüssigkeiten vorbehandelter Biomasse hergestellt wird. Int. J. Chem. Ing. 2021, 1–9 (2021).

Artikel CAS Google Scholar

Dong, L., Wang, R., Liu, P. & Sarvazizi, S. Vorhersage der Pyrolysekinetik von Biomasse: Neue Erkenntnisse aus der auf künstlicher Intelligenz basierenden Modellierung. Int. J. Chem. Ing. https://doi.org/10.1155/2022/6491745 (2022).

Artikel Google Scholar

Daneshfar, R. et al. Schätzung der Wärmekapazität von nicht-Newtonschen Ionanofluidsystemen mithilfe von ANN-, ANFIS- und SGB-Baumalgorithmen. Appl. Wissenschaft. 10, 6432 (2020).

Artikel CAS Google Scholar

Ross, T. Indizes zur Leistungsbewertung von Vorhersagemodellen in der Lebensmittelmikrobiologie. J. Appl. Bakteriol. 81, 501–508 (1996).

CAS PubMed Google Scholar

Betts, G. & Walker, S. Verifizierung und Validierung von Modellen zum Verderben von Lebensmitteln. In Understanding and Measureing Shelf Life of Food (Ed Steele. R), 184–217 (CRC Press, 2004).

Witten, IH, Frank, E., Hall, MA & Pal, CJ Data Mining: Praktische Werkzeuge und Techniken für maschinelles Lernen (Morgan Kaufmann, 2016).

Google Scholar

Makridakis, SG & Wheelwright, SC Prognosemethoden für das Management. (1989).

Wheelwright, S., Makridakis, S. & Hyndman, RJ Forecasting: Methods and Applications (John Wiley & Sons, 1998).

Google Scholar

Friedman, JH & Meulman, JJ Multiple additive Regressionsbäume mit Anwendung in der Epidemiologie. Stat. Med. 22, 1365–1381 (2003).

Artikel PubMed Google Scholar

Mohammadi, AH, Eslamimanesh, A., Gharagheizi, F. & Richon, D. Eine neuartige Methode zur Auswertung von Asphalten-Ausfällungstitrationsdaten. Chem. Ing. Wissenschaft. Rev. 78, 181–185 (2012).

Artikel CAS Google Scholar

Rousseeuw, PJ & Leroy, AM Robuste Regression und Ausreißererkennung (John Wiley & Sons, 2005).

MATH Google Scholar

Safari, H., Shokrollahi, A., Moslemizadeh, A., Jamialahmadi, M. & Ghazanfari, MH Vorhersage der Löslichkeit von SrSO4 im Na-Ca-Mg-Sr-Cl-SO4-H2O-System bei erhöhten Temperaturen und Drücken. Flüssigkeitsphasengleichgewicht. 374, 86–101 (2014).

Artikel CAS Google Scholar

Tatar, A., Yassin, MR, Rezaee, M., Aghajafari, AH & Shokrollahi, A. Anwendung einer robusten Lösung basierend auf Expertensystemen und einem GA-Evolutionsalgorithmus zur Prognose der Restgassättigung in wassergetriebenen Gasreservoirs. J. Nat. Gaswissenschaft. Ing. 21, 79–94 (2014).

Artikel Google Scholar

Gharagheizi, F. et al. Bewertung der Wärmeleitfähigkeit von Gasen bei Atmosphärendruck durch eine entsprechende Zustandsmethode. Ind. Eng. Chem. Res. 51, 3844–3849 (2012).

Artikel CAS Google Scholar

Sarapardeh, AH, Larestani, A., Menad, NA & Hajirezaie, S. Anwendungen künstlicher Intelligenztechniken in der Erdölindustrie (Gulf Professional Publishing, 2020).

Google Scholar

Referenzen herunterladen

Abteilung für Chemieingenieurwesen, Fakultät für Chemieingenieurwesen, Universität Tarbiat Modares, Postfach 14115-143, Teheran, Iran

Reza Soleimani

Abteilung für Erdöltechnik, Fakultät für Chemieingenieurwesen, Universität Tarbiat Modares, Postfach 14115-143, Teheran, Iran

Amir Hossein Saeedi Dehaghani

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

RS: Konzeptualisierung, Methodik, Software, Validierung, Schreiben – Originalentwurf, Ressourcen, Visualisierung, Untersuchung, formale Analyse. AHSD: Überwachung, Projektverwaltung, Konzeptualisierung, Validierung, Überprüfung und Bearbeitung.

Korrespondenz mit Amir Hossein Saeedi Dehaghani.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Soleimani, R., Saeedi Dehaghani, AH Einblicke in die Schätzung der Oberflächenspannung von Mischungen basierend auf gestaltbaren grünen Materialien mithilfe eines Ensemble-Lernschemas. Sci Rep 13, 14145 (2023). https://doi.org/10.1038/s41598-023-41448-z

Zitat herunterladen

Eingegangen: 13. März 2023

Angenommen: 26. August 2023

Veröffentlicht: 29. August 2023

DOI: https://doi.org/10.1038/s41598-023-41448-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.