A carregar...
Publicação
Gaussian processes in the description of aqueous electrolyte solutions
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 17.9 MB | Adobe PDF |
Autores
Resumo(s)
This work investigates the use of Gaussian Processes (GPs), a Bayesian machine learning method, for predicting osmotic (OC) and activity coefficients (AC) of electrolytes in aqueous solution at 298.15 K. A comprehensive database was constructed from recommended data reported in the literature, containing osmotic and activity coefficients for 1:1, 1:2, and 2:1 electrolytes over a wide range of molalities. The descriptors employed consist exclusively of sigma profiles of cations and anions, generated from COSMO calculations based on Density Functional Theory (DFT), which are combined with electrolyte molality in the first model and with ionic strength in the second model. After a rigorous data curation step that excluded ions affected by the use of standard ionic radii in COSMOtherm, the final dataset comprised 82 electrolytes and 45 distinct ions. The GP models were trained by testing different kernel functions and normalization strategies, with a stratified division of the data into training and validation sets, while the test set was specifically defined to contain representative electrolytes from the dataset. Predictive performance was evaluated using the coefficient of determination (R²) and the Mean Squared Log Error (MSLE). The results demonstrate that GPs can interpolate osmotic and activity coefficients with high accuracy across different classes of electrolytes and molality ranges, achieving R² values close to 1.0 for both the training and validation datasets. As predictive capacity increases, interpolative capacity decreases; however, the model was still able to predict thermodynamic data with good accuracy, achieving R² for test set equal to 0.9013 for OC, and equal to 0.9412 for AC. These findings indicate that the combination of sigma profiles and Gaussian Processes constitutes a promising and computationally efficient approach for predicting thermodynamic properties of aqueous electrolyte solutions, reducing reliance on extensive experimental datasets and offering an interesting alternative to traditional thermodynamic models.
Este trabalho investiga o uso de Processos Gaussianos (GPs), um método bayesiano de aprendizado de máquina, para a predição de coeficientes osmóticos (OC) e de atividade (AC) de eletrólitos em solução aquosa a 298,15 K. Uma base de dados abrangente foi construída a partir de dados recomendados reportados na literatura, contendo coeficientes osmóticos e de atividade para eletrólitos 1:1, 1:2 e 2:1 em uma ampla faixa de molalidades. Os descritores empregados consistem exclusivamente em perfis sigma de cátions e ânions, gerados a partir de cálculos COSMO baseados na Teoria do Funcional da Densidade (DFT), os quais são combinados com a molalidade do eletrólito no primeiro modelo e com a força iônica no segundo modelo. Após uma rigorosa etapa de curadoria de dados que excluiu íons afetados pelo uso de raios iônicos padrão no COSMOtherm, o conjunto de dados final compreendeu 82 eletrólitos e 45 íons distintos. Os modelos de GP foram treinados testando diferentes funções kernel e estratégias de normalização, com uma divisão estratificada dos dados em conjuntos de treino e validação, enquanto o conjunto de teste foi especificamente definido para conter eletrólitos representativos do conjunto de dados. O desempenho preditivo foi avaliado utilizando o coeficiente de determinação (R²) e o Mean Squared Log Error (MSLE). Os resultados demonstram que os GPs podem interpolar coeficientes osmóticos e de atividade com alta precisão em diferentes classes de eletrólitos e faixas de molalidade, alcançando valores de R² próximos de 1,0 tanto para os conjuntos de treinamento quanto de validação. À medida que a capacidade preditiva aumenta, a capacidade interpolativa diminui; entretanto, o modelo aind foi capaz de predizer dados termodinâmicos com boa precisão, alcançando R² para o conjunto de teste igual a 0.9013 para Coeficientes Osmóticos e igual a 0.9412 para Coeficientes de Atividade. Esses resultados indicam que a combinação de perfis sigma e Processos Gaussianos constitui uma abordagem promissora e computacionalmente eficiente para a predição de propriedades termodinâmicas de soluções aquosas eletrolíticas, reduzindo a dependência de extensos conjuntos de dados experimentais e oferecendo uma alternativa interessante aos modelos termodinâmicos tradicionais.
Este trabalho investiga o uso de Processos Gaussianos (GPs), um método bayesiano de aprendizado de máquina, para a predição de coeficientes osmóticos (OC) e de atividade (AC) de eletrólitos em solução aquosa a 298,15 K. Uma base de dados abrangente foi construída a partir de dados recomendados reportados na literatura, contendo coeficientes osmóticos e de atividade para eletrólitos 1:1, 1:2 e 2:1 em uma ampla faixa de molalidades. Os descritores empregados consistem exclusivamente em perfis sigma de cátions e ânions, gerados a partir de cálculos COSMO baseados na Teoria do Funcional da Densidade (DFT), os quais são combinados com a molalidade do eletrólito no primeiro modelo e com a força iônica no segundo modelo. Após uma rigorosa etapa de curadoria de dados que excluiu íons afetados pelo uso de raios iônicos padrão no COSMOtherm, o conjunto de dados final compreendeu 82 eletrólitos e 45 íons distintos. Os modelos de GP foram treinados testando diferentes funções kernel e estratégias de normalização, com uma divisão estratificada dos dados em conjuntos de treino e validação, enquanto o conjunto de teste foi especificamente definido para conter eletrólitos representativos do conjunto de dados. O desempenho preditivo foi avaliado utilizando o coeficiente de determinação (R²) e o Mean Squared Log Error (MSLE). Os resultados demonstram que os GPs podem interpolar coeficientes osmóticos e de atividade com alta precisão em diferentes classes de eletrólitos e faixas de molalidade, alcançando valores de R² próximos de 1,0 tanto para os conjuntos de treinamento quanto de validação. À medida que a capacidade preditiva aumenta, a capacidade interpolativa diminui; entretanto, o modelo aind foi capaz de predizer dados termodinâmicos com boa precisão, alcançando R² para o conjunto de teste igual a 0.9013 para Coeficientes Osmóticos e igual a 0.9412 para Coeficientes de Atividade. Esses resultados indicam que a combinação de perfis sigma e Processos Gaussianos constitui uma abordagem promissora e computacionalmente eficiente para a predição de propriedades termodinâmicas de soluções aquosas eletrolíticas, reduzindo a dependência de extensos conjuntos de dados experimentais e oferecendo uma alternativa interessante aos modelos termodinâmicos tradicionais.
Descrição
Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
Palavras-chave
Gaussian processes Activity coefficient Osmotic coefficient Aqueous electrolyte solutions Computational modeling