Viskositas: Viscosity Prediction of Multicomponent Chemical Systems
यह शोध पत्र "विस्कोसिटास" (Viskositas) को प्रस्तुत करता है, जो एक आर्टिफिशियल न्यूरल नेटवर्क-आधारित मॉडल है और जो अनुकूलित हाइपरपैरामीटर ट्यूनिंग के माध्यम से कम त्रुटियों, कम परिवर्तनशीलता और कम आउटलेर्स को प्राप्त करके बहु-घटक रासायनिक प्रणालियों की श्यानता (viscosity) की भविष्यवाणी करने में मौजूदा रैखिक, गैर-रैखिक और वाणिज्यिक मॉडलों से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
स्टील निर्माण और कांच निर्माण की उच्च-तापमान वाली दुनिया में, और पृथ्वी की पपड़ी के भीतर जहाँ चट्टानें पिघलती और बहती हैं, एक एकल भौतिक गुण यह निर्धारित करता है कि सामग्रियां कैसे व्यवहार करती हैं: श्यानता (विस्कोसिटी)। यह सरल शब्दों में किसी तरल के बहने के प्रतिरोध का माप है, या यह कि वह कितना गाढ़ा और सुस्त है। कल्पना कीजिए कि एक चम्मच से शहद धीरे-धीरे गिर रहा है और नल से बहते पानी की तुलना में वह कितना अलग है; प्रतिरोध का वह अंतर ही श्यानता है। इंजीनियरों और भूगर्भशास्त्रियों के लिए, इस मान को जानना अत्यंत महत्वपूर्ण है। एक स्टील मिल में, पिघले हुए स्लैग (slag) का सही गाढ़ापन यह सुनिश्चित करता है कि अशुद्धियाँ कुशलतापूर्वक निकल जाएं; कांच के उत्पादन में, यह निर्धारित करता है कि सामग्री को आकार दिया जा सकता है या वह टूट जाएगी। फिर भी, इस गुण को मापना एक कठिन और खर्चीला कार्य है। इसके लिए विशेष, महंगे उपकरणों और नमूनों को पूरी तरह से एकसमान होने तक गर्म करने के लिए महत्वपूर्ण समय की आवश्यकता होती है, और फिर भी, परिणाम प्रक्रिया की छोटी त्रुटियों से भी बिगड़ सकते हैं। इन बाधाओं के कारण, वैज्ञानिक लंबे समय से गणितीय सूत्रों पर निर्भर रहे हैं ताकि यह अनुमान लगाया जा सके कि मिश्रण किन चीजों से बना है और वह कितना गर्म है, लेकिन ये पारंपरिक समीकरण अक्सर जटिल, बहु-सामग्री प्रणालियों पर लागू होने में विफल रहते हैं।
ब्राजील के फेडरल इंस्टीट्यूट ऑफ एस्पिरिटो सैंटो के एक शोधकर्ता ने इस समस्या को हल करने के लिए एक कंप्यूटर को डेटा से सीधे बहने वाले तरल पदार्थों के पैटर्न सीखने के लिए प्रशिक्षित करने का लक्ष्य रखा, न कि डेटा को कठोर सूत्रों में जबरन फिट करने के लिए। पैट्रिक डॉस एनजोस ने वैज्ञानिक साहित्य से प्रयोगात्मक परिणामों का एक विशाल संग्रह संकलित किया, जिसमें सिलिकॉन, कैल्शियम, एल्युमीनियम, आयरन के ऑक्साइडों सहित विविध रासायनिक प्रणालियों से हजारों माप एकत्र किए गए, जिन्हें विभिन्न तापमानों पर रिकॉर्ड किया गया था। लक्ष्य एक नए प्रकार का भविष्यवाणी उपकरण बनाना था जो औद्योगिक रसायन विज्ञान की जटिल वास्तविकता को संभाल सके। एक मानक समीकरण का उपयोग करने के बजाय, शोधकर्ता ने एक कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क) को प्रशिक्षित किया, जो मानव मस्तिष्क पर आधारित एक प्रकार का कंप्यूटर प्रोग्राम है, ताकि वह मिश्रण की रासायनिक रेसिपी, उसके तापमान और उसके परिणामस्वरूप होने वाले गाढ़ेपन के बीच छिपे हुए संबंधों को खोज सके। सिस्टम को रासायनिक संरचना और तापमान इनपुट के रूप में दिया गया और विस्कोसिटी की भविष्यवाणी करने के लिए कहा गया, और इसे हजारों चक्रों के दौरान अपनी गलतियों से सीखने के लिए कहा गया जब तक कि वह उस डेटा पर सटीक अनुमान नहीं लगाने लगा जिसे उसने पहले कभी नहीं देखा था।
परिणामस्वरूप बने मॉडल, जिसका नाम 'विस्कोसिटास' (Viskositas) रखा गया, ने मौजूदा तरीकों की तुलना में महत्वपूर्ण सुधार प्रदर्शित किया। डेटा के एक नए सेट के विरुद्ध परीक्षण करने पर, जिसका उपयोग कंप्यूटर ने अपने प्रशिक्षण के दौरान नहीं किया था, विस्कोसिटास ने छह अन्य स्थापित मॉडलों और यहाँ तक कि उद्योग पेशेवरों द्वारा उपयोग किए जाने वाले एक लोकप्रिय वाणिज्यिक सॉफ्टवेयर पैकेज की तुलना में कम त्रुटियां और कम यादृच्छिक भिन्नता दिखाई। नया मॉडल चरम गलतियों, जिन्हें आउटलेयर्स (outliers) कहा जाता है, से बचने में विशेष रूप से अच्छा था, जो एक औद्योगिक सेटिंग में विनाशकारी हो सकती हैं जहाँ एक गलत भविष्यवाणी कांच के एक असफल बैच या स्टील प्रक्रिया के रुकने का कारण बन सकती है। यह विश्लेषण करके कि कंप्यूटर किन सामग्रियों पर सबसे अधिक ध्यान देता है, अध्ययन ने ज्ञात वैज्ञानिक सिद्धांतों की पुष्टि की: कुछ घटक जैसे सिलिका तरल को गाढ़ा बनाने की प्रवृत्ति रखते हैं, जबकि अन्य जैसे कैल्शियम ऑक्साइड या फ्लोराइट इसे पतला करने की प्रवृत्ति रखते हैं, और उच्च तापमान लगातार मिश्रण को अधिक आसानी से बहने में मदद करता है। अध्ययन ने प्रदर्शित किया कि एक व्यापक डेटाबेस से वास्तविक दुनिया के मापों से कंप्यूटर को सीखने देकर, जटिल रासायनिक तरल पदार्थ कैसे व्यवहार करेंगे, इसकी भविष्यवाणी करने के लिए एक विश्वसनीय, लचीला उपकरण बनाना संभव है, जो उन उद्योगों के लिए एक अधिक सटीक मार्गदर्शक प्रदान करता है जो पिघली हुई सामग्रियों के प्रवाह को नियंत्रित करने पर निर्भर हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।