📊 statistics

Viskositas: Viscosity Prediction of Multicomponent Chemical Systems

L'article présente « Viskositas », un modèle basé sur les réseaux de neurones artificiels qui surpasse les modèles linéaires, non linéaires et commerciaux existants pour prédire la viscosité de systèmes chimiques multicomposants en atteignant des erreurs plus faibles, une variabilité réduite et moins de valeurs aberrantes grâce à une optimisation des hyperparamètres.

Auteurs originaux : Patrick dos Anjos

Publié 2026-08-19

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Patrick dos Anjos

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans les mondes de haute température de la sidérurgie et de la fabrication du verre, ainsi qu'au plus profond de la croûte terrestre où les roches fondent et s'écoulent, une seule propriété physique dicte le comportement des matériaux : la viscosité. Il s'agit simplement d'une mesure de la résistance d'un fluide à l'écoulement, ou de la façon dont il est épais et visqueux. Imaginez le miel versé lentement d'une cuillère par rapport à l'eau jaillissant d'un robinet ; cette différence de résistance est la viscosité. Pour les ingénieurs et les géologues, connaître cette valeur est critique. Dans une aciérie, l'épaisseur appropriée du laitier fondu garantit que les impuretés sont éliminées efficacement ; dans la production de verre, elle détermine si le matériau peut être façonné ou s'il va se fissurer. Pourtant, mesurer cette propriété est une tâche difficile et coûteuse. Cela nécessite un équipement spécialisé et coûteux, ainsi qu'un temps considérable pour chauffer les échantillons jusqu'à ce qu'ils soient parfaitement uniformes, et même alors, les résultats peuvent être faussés par de minuscules erreurs de procédure. À cause de ces obstacles, les scientifiques se sont longtemps appuyés sur des formules mathématiques pour prédire la viscosité en fonction de la composition d'un mélange et de sa température, mais ces équations traditionnelles échouent souvent lorsqu'elles sont appliquées à des systèmes complexes à plusieurs ingrédients.

Un chercheur de l'Institut Fédéral de l'Espírito Santo au Brésil s'est donné pour mission de résoudre ce problème en apprenant à un ordinateur à identifier les motifs d'écoulement des liquides directement à partir de données, plutôt que de forcer les données dans des formules rigides. Patrick dos Anjos a compilé une vaste collection de résultats expérimentaux issus de la littérature scientifique, rassemblant des milliers de mesures provenant de divers systèmes chimiques impliquant des oxydes de silicium, de calcium, d'aluminium, de fer et bien d'autres, tous enregistrés à diverses températures. L'objectif était de construire un nouveau type d'outil de prédiction capable de gérer la réalité désordonnée de la chimie industrielle. Au lieu d'utiliser une équation standard, le chercheur a entraîné un réseau de neurones artificiels, un type de programme informatique modélisé d'après le cerveau humain, pour trouver les connexions cachées entre la recette chimique d'un mélange, sa température et son épaisseur résultante. Le système recevait la composition chimique et la température comme entrées et devait prédire la viscosité, apprenant de ses erreurs au cours de milliers de cycles jusqu'à ce qu'il puisse faire des estimations précises sur des données qu'il n'avait jamais vues auparavant.

Le modèle résultant, nommé Viskositas, s'est avéré être une amélioration significative par rapport aux méthodes existantes. Testé contre un nouvel ensemble de données que l'ordinateur n'avait pas utilisé pendant son entraînement, Viskositas a commis moins d'erreurs et a montré moins de variations aléatoires que six autres modèles établis présents dans la littérature scientifique ainsi qu'un logiciel commercial populaire utilisé par les professionnels de l'industrie. Le nouveau modèle était particulièrement efficace pour éviter les erreurs extrêmes, appelées valeurs aberrantes, qui peuvent être désastreuses dans un contexte industriel où une mauvaise prédiction pourrait entraîner un lot de verre raté ou un processus sidérurgique interrompu. En analysant quels ingrédients l'ordinateur surveillait le plus, l'étude a confirmé des principes scientifiques connus : certains composants comme la silice ont tendance à rendre le liquide plus épais, tandis que d'autres comme l'oxyde de calcium ou la fluorite ont tendance à l'amincir, et des températures plus élevées rendent systématiquement le mélange plus fluide. L'étude a démontré qu'en laissant un ordinateur apprendre d'une large base de données de mesures réelles, il est possible de créer un outil fiable et flexible pour prédire comment des fluides chimiques complexes se comporteront, offrant ainsi un guide plus précis pour les industries qui dépendent du contrôle de l'écoulement des matériaux fondus.

Résumé Technique : Viskositas – Une approche par réseau de neurones pour la prédiction de la viscosité dans les systèmes chimiques multicomposants

Énoncé du Problème
La viscosité est un paramètre critique dans les processus métallurgiques (par exemple, la désulfuration de l'acier, le traitement des inclusions, la coulée continue) et dans l'industrie du verre (par exemple, le raffinage, l'homogénéisation), ainsi qu'en géophysique. Cependant, la mesure expérimentale de la viscosité est coûteuse financièrement, chronophage et sujette aux erreurs de procédure, avec des erreurs d'exactitude rapportées allant de 5 à 20 % et des erreurs de précision de 1 à 5 %. Bien que des modèles numériques et semi-empiriques existent, ils souffrent souvent d'une applicabilité restreinte en raison de limitations dans les compositions chimiques, les températures et les plages de viscosité sur lesquelles ils ont été validés. Il existe un besoin pour un modèle non linéaire robuste, capable de prédire la viscosité à travers divers systèmes chimiques multicomposants sans les contraintes des équations empiriques traditionnelles.

Méthodologie
L'étude a développé un modèle prédictif nommé Viskositas utilisant des réseaux de neurones artificiels (ANN). La méthodologie a impliqué les étapes suivantes :

Construction de la Base de Données : Un ensemble de données a été compilé à partir de deux articles scientifiques internationaux et d'une thèse de licence, totalisant 7 035 points de données initiaux couvrant une large gamme de systèmes chimiques (incluant des oxydes comme SiO₂, Al₂O₃, CaO, MgO, FeO, etc., et des fluorures).
Prétraitement :
- Filtrage : Les données ont été filtrées pour n'inclure que des fluides entièrement liquides (températures supérieures à la température de liquidus calculée, $T_{liq}$ ) afin de garantir un comportement newtonien adapté à une modélisation d'Arrhenius ou de VFT.
- Ingénierie des Caractéristiques : Le degré de dépolymérisation ($NBO/T$) a été calculé pour caractériser la structure chimique.
- Suppression des Valeurs Aberrantes : Des limites statistiques basées sur les quartiles ont été appliquées pour éliminer les valeurs aberrantes dans les distributions de $NBO/T$ et de viscosité.
- Transformation : Les valeurs de viscosité ont été converties en échelle logarithmique ( $\log_{10} \eta$ ) pour réduire la dimensionnalité et s'adapter aux exigences de la modélisation mathématique.
- Standardisation : Toutes les variables prédictives (composition chimique en % en masse et température en Kelvin) ont été standardisées via la méthode du score z pour obtenir une moyenne de 0 et un écart-type de 1.
- Partitionnement : L'ensemble de données final de 5 659 entrées uniques a été divisé en 81 % pour l'entraînement, 9 % pour la validation et 10 % pour le test.
Architecture du Modèle :
- L'ANN utilisait 20 neurones d'entrée (composants chimiques et température) et 1 neurone de sortie ( $\log_{10} \eta$ ).
- L'optimisation des hyperparamètres a été menée pour déterminer l'architecture optimale. Le modèle sélectionné, Viskositas, présente 3 couches cachées de 22 neurones chacune (satisfaisant l'exigence de largeur minimale du théorème d'approximation universelle $w_{min} \leq d_x + d_y + 1$ ).
- La fonction d'activation utilisée était ReLU, avec une initialisation de poids He uniform et une initialisation de biais à zéro.
- L'entraînement a utilisé l'optimiseur Adam avec une perte d'Erreur Quadratique Moyenne (MSE) et un arrêt précoce (Early Stopping) pour prévenir le surapprentissage.
Analyse Statistique : La performance du modèle a été évaluée par l'Erreur Absolue Moyenne (MAE), l'Écart Type de l'erreur (Std) et le Coefficient de Détermination ( $R^2$ ). Une analyse de sensibilité a été réalisée à l'aide de l'algorithme des poids de connexion pour déterminer l'importance relative des variables d'entrée.

Contributions Clés

Développement de Viskositas : La création d'un modèle ANN spécialisé capable de prédire la viscosité de systèmes chimiques complexes et multicomposants basés sur la composition et la température.
Intégration d'une Base de Données Complète : La synthèse d'un ensemble de données vaste et diversifié couvrant de nombreux systèmes d'oxydes, de fluorures et des plages de températures, prétraité pour assurer la cohérence physique (état liquide uniquement).
Analyse de Sensibilité : L'application de l'algorithme des poids de connexion pour quantifier l'importance relative de certaines espèces chimiques (par exemple, les modificateurs de réseau vs les formateurs) et de la température sur la viscosité prédite, s'alignant ainsi avec les théories chimiques établies (par exemple, le rôle du $NBO/T$ et des comportements spécifiques des oxydes).

Résultats
Le modèle Viskositas a été comparé à six modèles de la littérature (Shaw, Watt-Fereday, Bomkamp, Riboud, Duchesne et ANNLiq) et à un modèle commercial (module de viscosité FactSage™ 7.2).

Métriques de Performance : Le modèle Viskositas et le module de viscosité FactSage™ 7.2 ont présenté les meilleurs résultats pour la MAE, le Std et le $R^2$ par rapport aux autres modèles de la littérature. Cependant, en comparant ces deux éléments les plus performants, Viskositas a démontré une performance statistique supérieure, atteignant une MAE et un Écart Type plus faibles, ainsi qu'un $R^2$ plus élevé sur la base de données de test.
Distribution de l'Erreur : L'analyse de l'asymétrie (skewness) et de l'aplatissement (kurtosis) a révélé que Viskositas génère moins de valeurs aberrantes et présente une plus faible variabilité des erreurs de prédiction par rapport au module FactSage™. Plus précisément, Viskositas a montré une erreur négative maximale de -1,3920 et une erreur positive maximale de 1,0507 (en $\log_{10} \eta$ ), surpassant de manière significative le module FactSage™ qui présentait des erreurs de -5,2931 et 2,0832, respectivement.
Importance des Variables : L'analyse de sensibilité a confirmé que la température et certains oxydes (tels que les modificateurs de réseau comme CaO, MgO et les métaux alcalins) ont des relations significatives avec la viscosité. L'analyse s'aligne sur les attentes théoriques où la température est inversement proportionnelle à la viscosité ; une diminution de la température réduit le degré d'agitation entre les espèces chimiques, diminuant ainsi la fluidité et augmentant la viscosité.

Signification
L'article affirme que le modèle Viskositas offre une alternative fiable aux mesures de viscosité expérimentales, coûteuses et sujettes aux erreurs. En exploitant une base de données large et prétraitée, ainsi qu'une architecture de réseau de neurones non linéaire, le modèle fournit des prédictions avec des erreurs moindres, une plus faible variabilité et moins de valeurs aberrantes que les modèles existants de la littérature et le logiciel commercial FactSage™. Cette capacité est significative pour les industries dépendant de données de viscosité précises pour l'optimisation des processus en métallurgie et dans la fabrication du verre, où les contraintes expérimentales limitent souvent la disponibilité des données. L'étude valide l'utilité des ANN pour surmonter les restrictions d'applicabilité des modèles semi-empiriques traditionnels dans les systèmes chimiques multicomposants.

Articles similaires