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

Il mondo della refrigerazione sta attraversando una trasformazione silenziosa ma urgente. Per decenni, i sistemi di raffreddamento nelle nostre auto, case e supermercati si sono affidati a sostanze chimiche chiamate idrofluorocarburi. Sebbene queste sostanze fossero sicure per lo strato di ozono, si è rivelato che erano potenti motori del riscaldamento globale. In risposta, gli accordi internazionali hanno spinto per una riduzione di questi gas più vecchi, creando una corsa per trovare sostituti che siano delicati sul clima. I nuovi candidati sono spesso sostanze chimiche singole o miscele accuratamente bilanciate, progettate per raffreddare in modo efficiente senza intrappolare calore eccessivo nell'atmosfera. Tuttavia, progettare un sistema che utilizzi questi nuovi fluidi richiede la conoscenza esatta di come essi si comportano in diverse condizioni. Gli ingegneri devono prevedere quanto un gas si comprimerà quando viene schiacciato, o quanto diventerà pesante un liquido quando viene raffreddato. Queste proprietà cambiano in modi complessi a seconda della temperatura, della pressione e della miscela esatta di sostanze chimiche, rendendo la previsione accurata un compito difficile ma essenziale per costruire sistemi di raffreddamento affidabili ed ecologici.

In uno studio recente, i ricercatori si sono posti l'obiettivo di risolvere questo enigma della previsione per una miscela specifica e promettente: una combinazione di due refrigeranti noti come R1234yf e R152a. Questa combinazione è attraente perché bilancia un basso impatto ambientale con buone prestazioni e, in alcuni casi, la miscela può persino ridurre i rischi di infiammabilità rispetto ai suoi componenti individuali. Per capire come si comporta questa miscela, il team ha raccolto 145 punti dati specifici da esperimenti precedenti. Questi punti coprivano un intervallo di temperature che andava da appena sopra il congelamento a una calda giornata estiva, e pressioni che spaziano da moderate a piuttosto elevate. L'obiettivo era vedere se i moderni programmi informatici, noti come machine learning, potessero imparare da questi dati per prevedere due proprietà critiche: il fattore di compressibilità, che indica quanto un gas si discosta dal comportamento ideale, e la densità, che è semplicemente quanto è pesante il fluido per un dato volume.

I ricercatori hanno messo a confronto quattro diversi tipi di algoritmi di machine learning l'uno contro l'altro e contro le tradizionali formule basate sulla fisica. I modelli di machine learning includevano metodi che costruiscono alberi decisionali, altri che trovano schemi osservando i vicini più prossimi nei dati, e tecniche sofisticate che mappano curve complesse. Hanno anche testato una classica formula termodinamica, l'equazione PRSV, che è stata utilizzata per decenni per descrivere come i gas e i liquidi si comportano, insieme a una formula empirica più semplice nota come equazione di Tait. Il team ha fornito ai modelli informatici la temperatura, la pressione e la quantità esatta di una sostanza chimica nella miscela, per poi chiedere loro di indovinare la compressibilità e la densità. Hanno poi confrontato queste ipotesi con i numeri sperimentali reali per vedere quale metodo fosse il più accurato.

I risultati hanno rivelato una netta divisione nel modo in cui i diversi approcci funzionavano, a seconda della proprietà che veniva predetta. Quando si trattava del fattore di compressibilità, i modelli di machine learning si sono dimostrati gli strumenti superiori. Un algoritmo specifico, che funziona costruendo una serie di modelli che correggono gli errori di quelli precedenti, ha raggiunto la massima accuratezza. Ha catturato le sottili svolte non lineari dei dati molto meglio delle formule fisiche tradizionali. La migliore formula tradizionale, anche quando è stata modificata per tenere conto di come la temperatura cambi l'interazione tra le due sostanze chimiche, è rimasta comunque indietro. L'approccio tradizionale si basa su regole semplificate per descrivere come le molecole interagiscono e, in questo caso, tali regole non erano abbastanza complesse da catturare pienamente il comportamento della miscela. Il modello di machine learning, al contrario, ha appreso i modelli direttamente dai dati senza aver bisogno di quelle regole semplificate, permettendogli di navigare il complesso panorama del comportamento del gas con maggiore precisione.

La storia è stata molto diversa quando i ricercatori hanno esaminato la densità. Per questa proprietà, il campo di gioco si è livellato significativamente. I modelli di machine learning hanno comunque ottenuto buone prestazioni, con un metodo che ha raggiunto un'accuratezza quasi perfetta, ma le formule fisiche tradizionali erano quasi altrettanto valide. L'equazione classica PRSV, quando aggiustata con una specifica relazione matematica per la temperatura, ha seguito i dati con una vicinanza sorprendente, e anche la più semplice equazione di Tait si è avvicinata molto. Ciò suggerisce che la densità si comporti in modo più diretto e prevedibile rispetto al fatto di compressibilità. Segue un percorso più fluido che sia i complessi modelli informatici che le stabilite leggi fisiche possono descrivere con alta fiducia. Il fatto che una formula semplice, vecchia di decenni, possa competere con l'intelligenza artificiale moderna in questo compito specifico evidenzia che non ogni proprietà termodinamica richiede una soluzione informatica a "scatola nera"; a volte, le leggi fondamentali della fisica sono sufficienti.

Durante lo studio, i ricercatori hanno anche esaminato quali fattori fossero più rilevanti. Hanno scoperto che la pressione era la forza dominante che guidava i cambiamenti sia nella densità che nella compressibilità. All'aumentare della pressione, il fluido diventava significativamente più denso e la sua compressibilità cambiava in modo prevedibile. La temperatura giocava un ruolo secondario, e il rapporto esatto tra le due sostanze chimiche nella miscela aveva un effetto sorprendentemente piccolo sulle tendenze lineari, sebbene i modelli di machine learning siano stati in grado di cogliere i sottili modi non lineari in cui la composizione influenzava i risultati. Questo focus sulla pressione si allinea con l'intuoria fisica di base: schiacciare un fluido lo rende più pesante e ne cambia il comportamento, mentre la miscela specifica di sostanze chimiche conta meno della forza applicata ad essa.

Lo studio conclude che per progettare sistemi utilizzando questa specifica miscela di refrigeranti, il machine learning offre un vantaggio distinto nel prevedere il comportamento complesso del gas, in particolare il fattore di compressibilità. Tuttavia, per prevedere la densità, gli ingegneri possono fare affidamento sia su modelli informatici avanzati che su equazioni fisiche ben consolidate con pari successo. Il lavoro non suggerisce che un metodo sia universalmente migliore dell'altro; piuttosto, dimostra che lo strumento migliore dipende dalla specifica proprietà misurata. Dimostrando che i metodi basati sui dati possono superare le formule tradizionali per certi comportamenti complessi, la ricerca fornisce un nuovo percorso per gli ingegneri per progettare sistemi di raffreddamento più efficienti e rispettosi dell'ambiente, assicurando che possano sfruttare appieno il potenziale di questi nuovi refrigeranti a basso impatto.