Predicting Thermodynamic Properties of R1234yf/R152a Mixtures Using Machine Learning and PRSV Equation of state

Die Welt der Kältetechnik durchläuft eine stille, aber dringliche Transformation. Jahrzehntelang verließen sich die Kühlsysteme in unseren Autos, Häusern und Supermärkten auf Chemikalien namens Fluorkohlenwasserstoffe. Obwohl diese Substanzen sicher für die Ozonschicht waren, erwiesen sie sich als starke Treiber der globalen Erwärmung. Als Reaktion darauf haben internationale Abkommen auf einen Rückgang dieser älteren Gase gedrängt und damit ein Wettlauf zum Finden von Ersatzstoffen ausgelöst, die sanft zum Klima sind. Die neuen Kandidaten sind oft Einzelsubstanzen oder sorgfältig abgestimmte Gemische, die darauf ausgelegt sind, effizient zu kühlen, ohne übermäßige Wärme in der Atmosphäre einzufangen. Das Design eines Systems, das diese neuen Fluide verwendet, erfordert jedoch das Wissen darüber, wie sie sich unter verschiedenen Bedingungen genau verhalten. Ingenieure müssen vorhersagen können, wie stark ein Gas zusammengedrückt wird, wenn es gepresst wird, oder wie schwer eine Flüssigkeit wird, wenn sie abgekühlt wird. Diese Eigenschaften ändern sich auf komplexe Weise in Abhängigkeit von Temperatur, Druck und der exakten Mischung der Chemikalien, was eine präzise Vorhersage zu einer schwierigen, aber wesentlichen Aufgabe beim Bau zuverlässiger, umweltfreundlicher Kühlsysteme macht.

In einer kürzlich durchgeführten Studie versuchten Forscher, dieses Vorhersagerätsel für eine spezifische, vielversprechende Mischung zu lösen: ein Gemisch aus zwei Kältemitteln, bekannt als R1234yf und R152a. Diese Kombination ist attraktiv, da sie eine geringe Umweltbelastung mit guter Leistung verbindet, und in einigen Fällen kann das Gemisch sogar die Entflammbarkeitsrisiken im Vergleich zu seinen Einzelkomponenten reduzieren. Um zu verstehen, wie sich dieses Gemisch verhält, sammelte das Team 145 spezifische Datenpunkte aus früheren Experimenten. Diese Punkte deckten einen Bereich von Temperaturen ab, der von knapp über dem Gefrierpunkt bis zu einem warmen Sommertag reichte, sowie Drücke, die von moderat bis recht hoch reichen. Das Ziel war zu sehen, ob moderne Computerprogramme, bekannt als maschinelles Lernen, aus diesen Daten lernen können, um zwei kritische Eigenschaften vorherzusagen: den Kompressibilitätsfaktor, der angibt, wie sehr ein Gas vom idealen Verhalten abweicht, und die Dichte, die schlichtweg beschreibt, wie schwer die Flüssigkeit ist.

Die Forscher stellten vier verschiedene Arten von Algorithmen des maschinellen Lernens gegen einander und gegen traditionelle physikbasierte Formeln. Die Modelle des maschinellen Lernens umfassten Methoden, die Entscheidungsbäume aufbauen, andere, die Muster finden, indem sie nach den nächsten Nachbarn in den Daten suchen, und anspruchsvolle Techniken, die komplexe Kurven abbilden. Sie testeten auch eine klassische thermodynamische Gleichung namens PRSV-Gleichung, die seit Jahrzehnten verwendet wird, um zu beschreiben, wie Gase und Flüssigkeiten sich verhalten, zusammen mit einer einfacheren empirischen Formel, der bekannten Tait-Gleichung. Das Team fütterte die Computermodelle mit der Temperatur, dem Druck und dem exakten Anteil eines der Chemikalien in der Mischung und bat sie dann, die Kompressibilität und die Dichte zu erraten. Sie verglichen diese Schätzungen dann mit den tatsächlichen experimentellen Zahlen, um zu sehen, welche Methode die genaueste war.

Die Ergebnisse zeigten eine klare Spaltung darin, wie gut die verschiedenen Ansätze je nach vorhergesagter Eigenschaft funktionierten. Wenn es um den Kompressibilitätsfaktor ging, erwiesen sich die Modelle des maschinellen Lernens als die überlegenen Werkzeuge. Ein spezifischer Algorithmus, der arbeitet, indem er eine Serie von Modellen aufbaut, die die Fehler der vorherigen korrigieren, erreichte die höchste Genauigkeit. Er erfasste die subtilen, nichtlinearen Windungen und Kehren der Daten weitaus besser als die traditionellen physikalischen Formeln. Die beste traditionelle Formel, selbst wenn sie angepasst wurde, um zu berücksichtigen, wie die Temperatur die Wechselwirkung zwischen den beiden Chemikalien verändert, blieb dennoch zurück. Der traditionelle Ansatz stützt sich auf vereinfachte Regeln, um die Interaktion von Molekülen zu beschreiben, und in diesem Fall waren diese Regeln nicht komplex genug, um das Verhalten des Gemisches vollständig zu erfassen. Das Modell des maschinellen Lernens hingegen lernte die Muster direkt aus den Daten, ohne diese vereinfachten Regeln zu benötigen, was es ihm ermöglichte, die komplexe Landschaft des Gasverhaltens mit größerer Präzision zu navigieren.

Die Geschichte verlief ganz anders, als die Forscher die Dichte betrachteten. Für diese Eigenschaft glich sich das Spielfeld erheblich an. Die Modelle des maschinellen Lernens schnitten immer noch gut ab, wobei eine Methode eine nahezu perfekte Genauigkeit erreichte, aber die traditionellen physikbasierten Formeln waren fast ebenso gut. Die klassische PRSV-Gleichung, die mit einer spezifischen mathematischen Beziehung für die Temperatur angepasst wurde, stimmte mit bemerkenswerter Nähe mit den Daten überein, und auch die einfachere Tait-Gleichung kam der Sache sehr nahe. Dies deutet darauf hin, dass die Dichte auf eine direktere, vorhersehbarere Weise reagiert als der Kompressibilitätsfaktor. Sie folgt einem glatteren Pfad, den sowohl die komplexen Computermodelle als auch die etablierten physikalischen Gesetze mit hoher Zuversicht beschreiben können. Die Tatsache, dass eine einfache, jahrzehntealte Formel in der Lage war, bei dieser spezifischen Aufgabe mit moderner künstlicher Intelligenz zu konkurrieren, unterstreicht, dass nicht jede thermodynamische Eigenschaft eine Black-Box-Computerlösung erfordert; manchmal sind die grundlegenden Gesetze der Physik ausreichend.

Im Laufe der Studie untersuchten die Forscher auch, welche Faktoren am wichtigsten waren. Sie fanden heraus, dass der Druck die dominierende Kraft war, die Veränderungen sowohl der Dichte als auch der Kompressibilität antreibt. Mit steigendem Druck wurde das Fluid deutlich dichter und seine Kompressibilität änderte sich auf eine vorhersehbare Weise. Die Temperatur spielte eine sekundäre Rolle, und das genaue Verhältnis der beiden Chemikalien im Gemisch hatte einen überraschend geringen direkten Effekt auf die linearen Trends, obwohl die Modelle des maschinellen Lernens in der Lage waren, die subtilen, nichtlinearen Arten zu erfassen, wie die Zusammensetzung die Ergebnisse beeinflusste. Dieser Fokus auf den Druck steht im Einklang mit der grundlegenden physikalischen Intuition: Das Zusammendrücken eines Fluids macht es schwerer und verändert sein Verhalten, während die spezifische Mischung der Chemikalien weniger wichtig ist als die angewendete Kraft.

Die Studie kommt zu dem Schluss, dass das maschinelle Lernen beim Entwurf von Systemen, die dieses spezifische Kältemittelgemisch verwenden, einen deutlichen Vorteil bietet, wenn es darum geht, das komplexe Verhalten des Gases, insbesondere den Kompressibilitätsfaktor, vorherzusagen. Für die Vorhersage der Dichte können Ingenieure jedoch sowohl auf fortschrittliche Computermodelle als auch auf etablierte physikalische Gleichungen gleichermaßen erfolgreich zurückgreifen. Die Arbeit legt nicht nahe, dass eine Methode universell besser ist als die andere; vielmehr zeigt sie, dass das beste Werkzeug von der spezifischen gemessenen Eigenschaft abhängt. Indem sie demonstriert, dass datengestützte Methoden für bestimmte komplexe Verhaltensweisen traditionelle Formeln übertreffen können, bietet die Forschung einen neuen Weg für Ingenieure, effizientere und umweltfreundlichere Kühlsysteme zu entwerfen, um sicherzustellen, dass sie das volle Potenzial dieser neuen, risikoarmen Kältemittel ausschöpfen können.