📊 statistics

Viskositas: Viscosity Prediction of Multicomponent Chemical Systems

本文介绍了“Viskositas”，这是一种基于人工神经网络的模型，通过优化的超参数调优，在预测多组分化学体系的粘度方面，通过实现更低的误差、更小的变异性和更少的离群值，超越了现有的线性、非线性及商业模型。

原作者： Patrick dos Anjos

发布于 2026-08-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Patrick dos Anjos

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在钢铁制造和玻璃制造的高温世界中，以及岩石熔化流动的地壳深处，一种物理特性决定了材料的行为方式：粘度。这简单来说就是衡量流体抵抗流动能力的指标，或者说其稠度和迟缓程度。想象一下蜂蜜从勺子中缓慢流下与水从水龙头中奔涌而出的区别；这种阻力的差异就是粘度。对于工程师和地质学家而言，了解这一数值至关重要。在钢厂中，熔融炉渣合适的厚度能确保杂质被高效去除；在玻璃生产中，它决定了材料是可以被塑形还是会发生开裂。然而，测量这一属性是一项困难且昂贵的任务。它需要专门的、昂贵的设备，并且需要大量时间将样品加热至完全均匀，即便如此，结果仍可能因操作中的微小误差而产生偏差。由于这些障碍，科学家长期以来一直依赖数学公式，根据混合物的成分及其温度来预测粘度，但这些传统的方程在应用于复杂的、多组分系统时往往会失效。

巴西圣埃斯皮里图联邦学院的一位研究人员致力于解决这一问题，通过教计算机直接从数据中学习流动液体的模式，而不是强行将数据套入僵化的公式。帕特里克·多斯·安若斯（Patrick dos Anjos）汇编了来自科学文献的海量实验结果，收集了涉及硅、钙、铝、铁等多种氧化物的各种化学系统的数千项测量数据，这些数据均在不同温度下进行了记录。目标是构建一种新型的预测工具，能够处理工业化学中混乱的现实情况。研究人员没有使用标准方程，而是训练了一个人工神经网络——一种模仿人类大脑的计算机程序——来寻找混合物的化学配方、温度与其最终厚度之间的隐藏联系。该系统以化学成分和温度作为输入，并被要求预测粘度，通过数千次的循环从错误中学习，直到它能够对从未见过的数据做出准确的猜测。

名为 Viskositas 的最终模型被证明较现有方法有了显著改进。当针对一组计算机在训练期间未曾使用过的新数据进行测试时，Viskositas 的误差更少，且表现出比科学文献中发现的另外六种成熟模型以及工业专业人士使用的流行商业软件更小的随机波动。该新模型特别擅长避免极端错误（即离群值），这类错误在工业环境中可能是灾难性的，因为错误的预测可能会导致一批玻璃的报废或钢铁生产过程的停滞。通过分析计算机最为关注哪些成分，该研究证实了已知的科学原理：某些成分（如二氧化硅）往往会使液体变稠，而其他成分（如氧化钙或萤石）则倾向于使其变稀，且高温会持续使混合物流动得更容易。这项研究表明，通过让计算机从广泛的现实世界测量数据库中学习，可以创建一个可靠且灵活的工具来预测复杂化学流体的行为，为依赖于控制熔融材料流动的行业提供更准确的指导。

技术摘要：Viskositas —— 一种用于多组分化学体系粘度预测的神经网络方法

问题陈述
粘度是冶金工艺（如炼钢脱硫、夹杂物处理、连续铸造）以及玻璃工业（如精炼、均质化）和地球物理学中的关键参数。然而，粘度的实验测量成本高昂、耗时较长，且容易出现程序性误差，据报道其准确度误差在 5–20% 之间，精密度误差在 1–5% 之间。虽然存在数值模型和半经验模型，但由于其在化学组成、温度和粘度范围方面的验证限制，往往存在适用性受限的问题。因此，需要一种能够跨越多样化的多组分化学体系进行预测的鲁棒非线性模型，且不受传统经验方程的约束。

研究方法
本研究开发了一个名为 Viskositas 的预测模型，该模型采用人工神经网络（ANN）。研究方法包括以下步骤：

数据库构建： 从两篇国际科学论文和一篇学士论文中汇编了一个数据集，共计 7,035 个初始数据点，涵盖了广泛的化学体系（包括氧化物如 $\text{SiO}_2$ 、 $\text{Al}_2\text{O}_3$ 、 $\text{CaO}$ 、 $\text{MgO}$ 、 $\text{FeO}$ 等以及氟化物）。
预处理：
- 过滤： 对数据进行过滤，仅保留完全液态的流体（温度高于计算出的液相线温度 $T_{liq}$ ），以确保符合适用于 Arrhenius 或 VFT 模型的牛顿流体行为。
- 特征工程： 计算了去聚合度（$NBO/T$）以表征化学结构。
- 异常值移除： 基于四分位数应用统计极限，以移除 $NBO/T$ 和粘度分布中的异常值。
- 转换： 将粘度值转换为对数尺度 ( $\log_{10} \eta$ )，以降低维度并适应数学建模的要求。
- 标准化： 使用 z-score 方法对所有预测变量（质量百分比形式的化学组成和开尔文温度）进行标准化，使均值为 0，标准差为 1。
- 划分： 最终的 5,659 条唯一条目被划分为 81% 用于训练，9% 用于验证，10% 用于测试。
模型架构：
- 该 ANN 具有 20 个输入神经元（化学组分和温度）和 1 个输出神经元 ( $\log_{10} \eta$ )。
- 通过超参数优化确定了最佳架构。选定的模型 Viskositas 具有 3 个隐藏层，每层包含 22 个神经元（满足通用近似定理的最小宽度要求 $w_{min} \leq d_x + d_y + 1$ ）。
- 使用的激活函数为 ReLU，采用了 He uniform 权重初始化和零偏置初始化。
- 训练采用 Adam 优化器，使用均方误差（MSE）损失函数和早停法（Early Stopping）以防止过拟合。
统计分析： 使用平均绝对误差（MAE）、误差标准差（Std）和决定系数（ $R^2$ ）评估模型性能。通过连接权重算法进行了敏感性分析，以确定输入变量的相对重要性。

主要贡献

开发 Viskositas： 创建了一个专门的 ANN 模型，能够基于组成和温度预测复杂多组分化学体系的粘度。
综合数据库集成： 合成了涵盖众多氧化物体系、氟化物和温度范围的大型多样化数据集，并经过预处理以确保物理一致性（仅限液态）。
敏感性分析： 应用连接权重算法量化了特定化学物种（例如网络修饰剂与网络形成剂）及温度对预测粘度的相对重要性，这与已建立的化学理论（如 $NBO/T$ 和特定氧化物行为的作用）相一致。

结果
将 Viskositas 模型与文献中的六个模型（Shaw、Watt-Fereday、Bomkamp、Riboud、Duchesne 和 ANNLiq）以及一个商业模型（FactSage™ 7.2 粘度模块）进行了对比。

性能指标： 在 MAE、Std 和 $R^2$ 方面，Viskositas 模型和 FactSage™ 7.2 粘度模块 表现出优于其他文献模型的最佳结果。然而，在对比这两个顶尖表现者时，Viskositas 展示了更优越的统计性能，在测试数据库上实现了更低的 MAE 和标准差，以及更高的 $R^2$ 。
误差分布： 偏度和峰度分析表明，与 FactSage™ 模块相比，Viskositas 产生的异常值更少，且预测误差的变异性更低。具体而言，Viskasitos 的最大负误差为 -1.3920，最大正误差为 1.0507（在 $\log_{10} \eta$ 尺度下），显著优于显示出 -5.2931 和 2.0832 误差的 FactSage™ 模块。
变量重要性： 敏感性分析证实了温度和特定氧化物（如网络修饰剂 $\text{CaO}$ 、 $\text{MgO}$ 和碱金属）与粘度之间存在显著关系。分析结果符合理论预期，即温度与粘度成反比；温度降低会减少化学物种之间的相互扰动，从而降低流动性并增加粘度。

意义
本文声称 Viskositas 模型为昂贵且易出错的实验粘度测量提供了一种可靠的替代方案。通过利用大规模预处理数据库和非线性神经网络架构，该模型提供了比现有文献模型和商业 FactSage™ 软件具有更低误差、更低变异性和更少异常值的预测。这种能力对于依赖精确粘度数据进行工艺优化的工业领域（如冶金和玻璃制造）具有重要意义，因为在这些领域，实验限制往往导致数据获取困难。本研究验证了人工神经网络在克服传统半经验模型在多组分化学体系中适用性限制方面的效用。

类似论文