Viskositas: Viscosity Prediction of Multicomponent Chemical Systems
Het artikel introduceert "Viskositas", een op kunstmatige neurale netwerken gebaseerd model dat bestaande lineaire, niet-lineaire en commerciële modellen overtreft in het voorspellen van de viscositeit van multicomponent chemische systemen door lagere fouten, verminderde variabiliteit en minder uitschieters te bereiken door middel van geoptimaliseerde hyperparameterinstelling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de hittevolle werelden van staalproductie en glasfabricage, evenals diep in de aardkorst waar gesteente smelt en stroomt, dicteert één enkele fysieke eigenschap hoe materialen zich gedragen: viscositeit. Dit is simpelweg een maat voor de weerstand van een vloeistof tegen stroming, of hoe dik en traag deze is. Stel je voor dat honing langzaam van een lepel naar beneden druipt vergeleken met water dat uit een kraan stroomt; dat verschil in weerstand is viscositeit. Voor ingenieurs en geologen is het kennen van deze waarde cruciaal. In een staalfabriek zorgt de juiste dikte van gesmolten slak ervoor dat onzuiverheden efficiënt worden verwijderd; in de glasproductie bepaalt het of het materiaal gevormd kan worden of zal barsten. Toch is het meten van deze eigenschap een moeilijke en kostbare taak. Het vereist gespecialiseerde, dure apparatuur en aanzienlijke tijd om monsters te verhitten totdat ze perfect uniform zijn, en zelfs dan kunnen de resultaten worden vertekend door kleine fouten in de procedure. Vanwege deze hindernissen hebben wetenschappers lang vertrouwd op wiskundige formules om viscositeit te voorspellen op basis van waar een mengsel uit bestaat en hoe heet het is, maar deze traditionele vergelijkingen falen vaak wanneer ze worden toegepast op complexe systemen met meerdere ingrediënten.
Een onderzoeker aan het Federaal Instituut van Espírito Santo in Brazilië zette zich af om dit probleem op te lossen door een computer te leren patronen van stromende vloeistoffen direct uit data te leren, in plaats van de data in rigide formules te dwingen. Patrick dos Anjos stelde een enorme collectie experimentele resultaten samen uit de wetenschappelijke literatuur, waarbij hij duizenden metingen verzamelde van diverse chemische systemen bestaande uit oxiden van silicium, calcium, aluminium, ijzer en vele anderen, die op verschillende temperaturen waren geregistreerd. Het doel was om een nieuw soort voorspellingsinstrument te bouwen dat de rommelige realiteit van de industriële chemie aan kon. In plaats van een standaardvergelijking te gebruiken, trainde de onderzoeker een kunstmatig neuraal netwerk, een type computerprogramma gemodelleerd naar het menselijk brein, om de verborgen verbanden te vinden tussen het chemische recept van een mengsel, de temperatuur en de resulterende dikte. Het systeem kreeg de chemische samenstelling en temperatuur als inputs en werd gevraagd de viscositeit te voorspellen, waarbij het uit zijn fouten leerde over duizenden cycli heen totdat het nauwkeurige gissingen kon doen op data die het nog nooit eerder had gezien.
Het resulterende model, genaamd Viskositas, bleek een significante verbetering te zijn ten opzichte van bestaande methoden. Wanneer het werd getest tegen een nieuwe set gegevens die de computer niet tijdens de training had gebruikt, maakte Viskositas minder fouten en vertoonde het minder willekeurige variatie dan zes andere gevestigde modellen uit de wetenschappelijke literatuur en zelfs een populair commercieel softwarepakket dat door professionals in de industrie wordt gebruikt. Het nieuwe model was bijzonder goed in het vermijden van extreme fouten, bekend als uitschieters, die rampzalig kunnen zijn in een industriële omgeving waar een foutieve voorspelling kan leiden tot een mislukte batch glas of een gestaagd staalproces. Door te analyseren aan welke ingrediënten de computer de meeste aandacht besteedde, bevestigde de studie bekende wetenschappelijke principes: bepaalde componenten zoals silica hebben de neiging om de vloeistof dikker te maken, terwijl anderen zoals calciumoxide of fluoriet de vloeistof juist dunner maken, en hogere temperaturen zorgen er consistent voor dat het mengsel gemakkelijker stroomt. De studie toonde aan dat door een computer te laten leren van een brede database van real-world metingen, het mogelijk is om een betrouwbaar, flexibel instrument te creëren voor het voorspellen van hoe complexe chemische vloeistoffen zich zullen gedragen, wat een nauwkeurigere gids biedt voor de industrieën die afhankelijk zijn van het beheersen van de stroom van gesmolten materialen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.