Anwendung maschineller Lerntechniken zur Modellierung der Löslichkeit von Zuckeralkoholen in ionischen Flüssigkeiten

Wissenschaftliche Berichte Band 13, Artikelnummer: 12161 (2023) Diesen Artikel zitieren

290 Zugriffe

Details zu den Metriken

Der aktuelle Trend in der chemischen Industrie erfordert eine umweltfreundliche Verarbeitung, insbesondere durch den Einsatz natürlicher Substanzen wie aus Zucker gewonnener Verbindungen. Diese Angelegenheit hat akademische und industrielle Bereiche dazu ermutigt, nach neuen Alternativen für die Gewinnung dieser Materialien zu suchen. Ionische Flüssigkeiten (ILs) ebnen derzeit den Weg für effiziente Extraktionsprozesse. Zu diesem Zweck ist eine genaue Schätzung der Löslichkeitsdaten von großer Bedeutung. Diese Studie stützt sich auf Methoden des maschinellen Lernens zur Modellierung der Löslichkeitsdaten von Zuckeralkoholen (SAs) in ILs. Eine erste Relevanzanalyse bestätigte, dass das SA-IL-Gleichgewicht von der Temperatur, der Dichte und dem Molekulargewicht der ILs sowie dem Molekulargewicht, der Fusionstemperatur und der Fusionsenthalpie der SAs bestimmt wird. Außerdem haben Temperatur und Fusionstemperatur den stärksten Einfluss auf die Löslichkeit der SAs in ILs. Die Leistung von künstlichen neuronalen Netzen (ANNs), der Least-Square-Support-Vektor-Regression (LSSVR) und adaptiven Neuro-Fuzzy-Inferenzsystemen (ANFIS) zur Vorhersage der SA-Löslichkeit in ILs wurde unter Verwendung einer großen Datenbank (647 Datenpunkte von 19 SAs und) verglichen 21 ILs). Unter den untersuchten Modellen bot ANFIS die beste Genauigkeit mit einer durchschnittlichen absoluten relativen Abweichung (AARD%) von 7,43 % und einem Bestimmtheitsmaß (R2) von 0,98359. Die beste Leistung des ANFIS-Modells wurde mit einem Clusterzentrumsradius von 0,435 erzielt, wenn es mit 85 % der Datenbank trainiert wurde. Weitere Analysen des auf der Leverage-Methode basierenden ANFIS-Modells ergaben, dass dieses Modell aufgrund seines hohen Abdeckungsgrads und seines breiten Anwendungsbereichs ausreichend zuverlässig ist. Dementsprechend kann dieses Modell effektiv zur Modellierung der Löslichkeiten von SAs in ILs genutzt werden.

Biomasseressourcen sind eine praktikable, reichlich vorhandene, grüne, erneuerbare und nachhaltige Alternative zu herkömmlichen Ressourcen für die chemische Synthese und Energiebereitstellung. Ein solcher Übergang wird durch die Reduzierung der Menge an gewinnbaren fossilen Brennstoffen, strengere Umweltvorschriften und die Stabilisierung der Preise für die Umwandlung von Biomasse verstärkt1,2,3,4. Die wichtigsten Wege zur Erreichung dieses Meilensteins führen über die Umwandlung von lignozellulosehaltiger Biomasse5,6,7. Da durch direkte oder indirekte Lignozelluloseumwandlung verschiedene Stoffe synthetisiert werden können, sind Zucker und Zuckeralkohole (SA) von großem Interesse8,9,10.

SAs, auch Polyole genannt, bestehen aus azyklischen hydrierten Kohlenhydraten11. Aufgrund ihrer einzigartigen Strukturen und der Dichte funktioneller Gruppen erfreuen sich SAs großer Beliebtheit in der Pharmaindustrie, der Lebensmittelindustrie und chemischen Prozessen12. Da sie ähnliche oder sogar bessere Eigenschaften als herkömmlicher Zucker besitzen, berücksichtigten SAs auch Lebensmittelzutaten13. Darüber hinaus werden sie aufgrund ihrer bemerkenswerten funktionellen Eigenschaften und gesundheitlichen Vorteile zunehmend in pharmazeutischen Anwendungen eingesetzt14. Obwohl SAs nur in annähernd geringen Mengen vorhanden waren, wurden im Jahr 2022 weltweit bis zu 1,9 × 106 Tonnen verbraucht11,14 was die Bedeutung der Entwicklung zuverlässiger Ansätze zur Vorhersage ihrer Eigenschaften und ihres Verhaltens rechtfertigt. Die SA-Verarbeitung durch Bioraffinerie erfordert effiziente Lösungsmittel zur Vorbehandlung oder Auflösung von Biomasse, zur Bereitstellung eines geeigneten Reaktionsmediums und zur Verbesserung der Umwandlung von Zuckern in Zwischenprodukte oder Endprodukte15,16.

Zu diesem Zweck wurden viele Lösungsmittel mit unterschiedlichen Eigenschaften wie Wasser, organische Lösungsmittel, Säuren, Basen und ionische Flüssigkeiten (ILs)17 vorgeschlagen. ILs bieten nicht nur einen flüssigen Zustand und sind in einem breiten Temperaturbereich nichtflüchtig, sondern profitieren auch von einer hohen thermischen Stabilität und einer bemerkenswerten Löslichkeitsstärke. Diese Eigenschaften machen sie zu potenziell attraktiven Werkzeugen zur Bewältigung verschiedener betrieblicher Herausforderungen18, die mit herkömmlichen Lösungsmitteln verbunden sind. Die Vielseitigkeit von ILs ermöglicht die Gestaltung ihrer Merkmale, thermochemischen Eigenschaften und Solvatisierungskraft durch entsprechende Anpassung des Anion/Kation-Paares19,20,21,22,23.

ILs bieten aufgrund der Anwesenheit verschiedener Kationen und Anionen eine hohe Lösungskapazität für SAs, relativ niedrige Schmelzpunkte sowie ionischen Charakter und Nichtflüchtigkeit aufgrund der starken ionisch-kationischen Wechselwirkung24,25,26,27,28,29. Xia et al. haben kürzlich über die Herstellung von aus Zellulose und Lignin gewonnenen Produkten unter Verwendung von ILs30 berichtet. Dementsprechend haben ILs bei der SAs-Extraktion bemerkenswerte Vorteile gegenüber herkömmlichen Lösungsmitteln. Die Löslichkeiten von vier Zuckerverbindungen (d. h. Galactose, Glucose, Xylose und Fructose) in Aliquat®336 und 1-Ethyl-3-methylimidazoliumethylsulfat ([Emim][EtSO4]) wurden von Carneiro et. gemessen (288–328 K). al. und dann durch zwei Aktivitätskoeffizientenmodelle (ACMs) korreliert31. Carneiro et al. entwickelten außerdem eine theoretische und experimentelle Studie, die sich mit den Löslichkeiten von Sorbit und Xylit in drei ionischen Flüssigkeiten in einem weiten Temperaturbereich (288–433 K) befasste, und bewerteten einige ACMs für die thermodynamische Modellierung32. In einer anderen Studie maßen sie die Löslichkeiten von Sorbit und Xylit in fünf verschiedenen ILs, nämlich 1-Butyl-3-methylimidazolium-dicyanamid ([Bmim][DCA]), 1-Ethyl-3-methylimidazolium-dicyanamid ([Emim][DCA]). , 1-Ethyl-3-methylimidazoliumtrifluoracetat ([Emim][TFA]), Trihexyltetradecylphosphoniumdicyanamid ([P6,6,6,14][DCA]) und Aliquat® Dicyanamid bei 288–339 K33. Sie entwickelten außerdem ein thermodynamisches Modell, das auf der Zustandsgleichung (EoS) der Perturbed-Chain Statistical Associating Fluid Theory (PC-SAFT) basiert. Die Löslichkeitsmessungen von Fructose und Glucose in ähnlichen ILs wurden ebenfalls von derselben Forschungsgruppe durchgeführt34. Mohan et al. wandten eine molekulare Screening-Methode basierend auf dem Kontinuumssolvatisierungsmodell an, um eine große Anzahl von ILs auf die Löslichkeit von Xylose, Glucose, Fructose und Galactose über einen relativ weiten Temperaturbereich (303,15 K bis 373,15 K) zu testen35. Sie profitierten vom gleichen Ansatz zum Screening von ILs auf die Löslichkeit von Saccharose, Cellobiose und Maltose36. Paduszyński et al. gemessene Löslichkeitsdaten und thermodynamische Analyse von Fructose, Glucose und Saccharose in Gegenwart von niedrigviskosen ILs bestehend aus 1-Butyl-3-methylimidazolium ([Bmim]+)-Kation und Dicyanamid ([DCA]−)-Trifluoracetat ([TFA] −) Anionen37. Ihre thermodynamische Analyse basierte auf dem PC-SAFT EoS. Dieselbe Gruppe untersuchte die Fest-Flüssig-Gleichgewichte von Dicyanamid-basierten ILs und SAs (Erythritol, Xylitol und Sorbitol)38. Zur Reproduktion der Messdaten wurde auch ein PC-SAFT-Modellierungsschema eingesetzt38. Sie berichteten auch über den Einfluss funktionalisierter Kationen auf die Eigenschaften von ILs und ihre Löslichkeitsstärke für Glucose39. Der gleiche thermodynamische Ansatz unter Verwendung des PC-SAFT-Ansatzes wurde auch in diesem System entwickelt. Die Löslichkeit von sechs Monosaccharid-SAs, nämlich Glucose, Mannose, Fructose, Galactose, Xylose und Arabinose, in verschiedenen ILs, die aus verschiedenen Kationen (1-Butyl-3-methylimidazolium und Trihexyltetradecylphosphonium) und Anionen (Dicyanamid, Dimethylphosphat und Chlorid) bestehen, wurde bestimmt experimentell (288,2–348,2 K) und ihre Solvatisierungseigenschaften sowie Mechanismen auf molekularer Ebene wurden von Teles et al.40 untersucht. Für diesen Prozess wurden kürzlich asymmetrische dikationische ILs eingeführt und eine bahnbrechende Studie wurde von Yang et al. entwickelt, in der die Wirkung von 1-(3-(trimethylammonio)prop-1-yl)-3-methylimidazolium bis(dicyanamid), 1-(3-(Trimethylammonio)prop-1-yl)-1-methylpiperidinium-bis(dicyanamid) und 1-(3-(trimethylammonio)prop-1-yl)pyridinium-bis(dicyanamid) zur Löslichkeit von Fructose und Glucose wurde bei 323,15–353,15 K41 untersucht. Anschließend wurden ACMs (Wilson, nicht zufällige zwei Flüssigkeiten (NRTL) und UNIQUAC) und semiempirische Gleichungen (modifizierte Apelblat- und λh-Gleichung) angewendet, um die gemessenen Daten zu modellieren. In jüngerer Zeit befassten sich experimentelle Untersuchungen mit den Löslichkeitsdaten verschiedener Verbindungen in zahlreichen ILs42,43,44. Übersichtsstudien befassen sich auch eingehend mit verschiedenen Aspekten dieses Prozesses7,17,30.

Diese thermodynamisch basierten Berechnungen (d. h. semiempirische Gleichungen, ACMs und EoSs) sind nur auf ein bestimmtes SA-IL-System anwendbar und es ist nicht möglich, sie zur gleichzeitigen Überwachung des Phasengleichgewichts mehrerer Systeme zu verwenden. Andererseits können die Ansätze der künstlichen Intelligenz (KI) einfach angewendet werden, um die Löslichkeit einer breiten Palette von SAs in verschiedenen ILs abzuschätzen. Daher ist jeder Versuch, die Löslichkeit von SAs in ILs mithilfe von Werkzeugen des maschinellen Lernens (ML) zu simulieren, derzeit von großem Interesse. ML-basierte Tools wurden bereits mit der genauen, schnellen und benutzerfreundlichen Schätzung der Gleichgewichtsdaten20,45,46,47,48,49, der Prozessbewertung50,51 und den Eigenschaften von Lösungsmitteln22,52,53 beschäftigt. 54,55,56, Öllagerstätten57, Gasschiefer58 und aus Biomasse gewonnene Materialien59.

Die Löslichkeit von SAs in ILs hängt stark von der Temperatur und dem IL-Typ ab, der durch ihre Eigenschaften identifiziert wird. Auch die Art und Eigenschaften der SA-Verbindung beeinflussen das Solvatationsverhalten. Frühe thermodynamische Modelle, die EoSs33,38,39 und ACMs31,32,34,35 verwenden, haben mehrere Nachteile. Um dies zu verdeutlichen, können diese Modelle Löslichkeitsdaten nur über einen engen und begrenzten Bereich von Bedingungen genau berechnen. Darüber hinaus sind sie komponentenspezifisch, was zur Generierung zu vieler Parameter für verschiedene SA-IL-Systeme führt. Daher findet sich in der Literatur eine Vielzahl bauteilspezifischer Parameter. Aus diesem Grund ist ein universelles ML-Modell, das ein breites Spektrum an SA-IL-Systemen und Temperaturen abdecken kann, von größtem Interesse. Unter verschiedenen Gesichtspunkten können diese Modelle, wenn die Anwendung der ML-Modelle erfolgreich ist, aufgrund ihrer einfachen Benutzerfreundlichkeit und kurzen Berechnungsdauer möglicherweise die herkömmlichen Berechnungsmethoden ersetzen. ML wird heute häufig zur Lösung technischer Probleme eingesetzt, beispielsweise zur Schätzung thermophysikalischer Eigenschaften60,61.

Um von einer breiten Anwendung von Zuckeralkoholen in Pharmazeutika, der Lebensmittelindustrie und chemischen Prozessen zu profitieren, ist es notwendig, sie zunächst zu extrahieren. Eine durchführbare Untersuchung, Gestaltung und Optimierung der SA-Extraktion durch ionische Flüssigkeiten erfordert genaue Kenntnisse über die Löslichkeitsdaten. Da die experimentelle Messung der Löslichkeit von SAs in ILs zeitaufwändig ist und in der Literatur kein umfassendes Modell für ihre Schätzung vorgestellt wird, werden in der vorliegenden Studie Werkzeuge der künstlichen Intelligenz für die betrachtete Aufgabe eingesetzt. Das in dieser Studie konstruierte intelligente Modell kann effektiv an der Simulation und Optimierung der SA-Extraktion durch ILs beteiligt sein.

Bevor ML-Modelle erklärt werden, ist es wichtig, die Richtung und Stärke der Beziehung zwischen den Systemvariablen zu identifizieren, nämlich Löslichkeit als abhängige Variable und Temperatur sowie SA- und IL-Typen, die unabhängige Variablen sind. Dies kann durch einfache und leicht zu interpretierende statistische Analysen bewältigt werden, die den monotonen Zusammenhang zwischen unabhängig abhängigen Variablenpaaren messen62. Die Analysen von Pearson, Spearman und Kendall basieren auf einem statistischen Begriff namens Kovarianz, der den Grad der Korrelation oder die Stärke der Beziehung zwischen zwei Variablen angibt. Mit anderen Worten: Diese Analysen bieten ein einfaches Kriterium dafür, wie ein Variablenpaar zusammen variiert63,64.

Pearsons Analyse [Gl. (1)] führt einen dimensionslosen Parameter (− 1 bis + 1) und das Spearman-Kriterium [Gl. (2)] bietet den gleichen Bereich des Kriteriums und ist tatsächlich die modifizierte Version der Pearson-Gleichung62. Auch wenn der Bereich der Spearman- und Pearson-Parameter gleich ist, können sich ihre quantitativen und qualitativen Vorhersagen für ein einzelnes unabhängig-abhängiges Paar unterscheiden62. Für ein System, das aus einer Menge von Eingabevariablen (X) und Ausgabevariablen (Y) besteht, können die Koeffizienten Pearson (r) und Spearman (\({\mathrm{r}}^{{^{\prime}}}\)) verwendet werden wie folgt berechnet werden:

wobei NDP und d die Anzahl der Datenpunkte und entsprechend die Differenz zwischen den beiden Rängen jeder Beobachtung angeben. Kendalls Kriterium [Gl. (3)] ​​profitiert von einem Korrelationskoeffizienten, der auf den Rängen der Beobachtungen basiert64,65.

Durch Verwendung der Korrelationsparameter (r, \({\mathrm{r}}^{{^{\prime}}}\) und \({\mathrm{r}}^{{^{\prime}}{ ^{\prime}}}\)), die Beziehung zwischen der abhängigen Variablen (SAs-Löslichkeit in ILs) und den unabhängigen Variablen (Temperatur, die Molekulargewichte (MW) von SA und IL, die Dichte von IL und die Fusionstemperatur). und Enthalpie) können anhand der in Tabelle 1 dargestellten Vorschriften ermittelt werden.

Die Hauptidee dieser Studie liegt in der Verwendung von ML-Modellen mit einfachsten Verfahren. Darüber hinaus können die verwendeten Parameter einfach die Art der betreffenden Materialien darstellen und sie unterscheiden, da die Temperatur die wichtigste effektive Prozessvariable in SA-IL-Fest-Flüssigkeits-Gleichgewichten ist; MWs können die Verbindungen unterscheiden und einigermaßen repräsentativ für die Moleküllänge sein; Fusionsenthalpie und Temperatur sind Merkmale der Löslichkeit von Feststoffen in Flüssigkeiten; Und die Dichte der IL gibt Aufschluss über die Löslichkeitskraft des Lösungsmittels (IL). Diese Variablen sind für die gesamte Datenbank problemlos verfügbar. Andere vom Gutachter erwähnte Variablen sind nicht für alle gesamten Verbindungen verfügbar, und die Verdampfungstemperatur ist in diesem System nicht sinnvoll, da die Verdampfung von ILs verschwindend gering ist. Aufgrund dieser Sichtweise wurden diese Variablen zur Modellierung der betreffenden Systeme ausgewählt.

Diese Analysen und weitere Analysen der ML-Modelle werden auf Basis einer Löslichkeitsdatenbank (647 Datenpunkte von 19 SAs und 21 ILs) durchgeführt. Die Datenbank ist in Tabelle 2 aufgeführt. Die Eigenschaften von ILs und SAs sind auch in den Tabellen 3 bzw. 4 zusammengefasst.

Künstliche neuronale Netze (ANN) gibt es in verschiedenen Varianten, darunter Multilayer Perceptron (MLP), Radial Basis Function (RBF), rekurrente neuronale Netze (RNN), general regression neural network (GRNN) und Cascade Feed-Forward Neural Network (CFFNN)87 ,88. Der kleinste sinnvolle Abschnitt des KNN sind die künstlichen Neuronen, die für die Durchführung von Berechnungen nach Gl. zuständig sind. (4)89.

In Gl. (4), z steht für die Ausgabe des Neurons; während ein bestimmtes künstliches Neuron n Eingaben (\({\mathrm{x}}_{\mathrm{i}}\)) erhielt und jede Verbindung durch ein entsprechendes Gewicht angepasst wird (\({\mathrm{w}}_ {\mathrm{i}}\)). Darüber hinaus enthält jedes Neuron einen zusätzlichen Anpassungsparameter, der als Bias (\(\mathrm{b}\)) bezeichnet wird. Um die Einschränkung nur linearer Eingabe-Ausgabe-Zuordnungen zu überwinden und eine Strategie zur Modellierung nichtlinearer Beziehungen vorzuschlagen, wird auch eine häufig nichtlineare Aktivierungsfunktion (\(\mathrm{\varphi }\)) in den Neuronenkörper integriert. In der Neuronenstruktur können lineare, hyperbolische, tangentiale, logistische und Gaußsche Aktivierungsfunktionen implementiert werden90.

Alle KNN-Modelle umfassen drei Arten von Schichten: eine Eingabeschicht, die die unabhängigen Variablen empfängt, die Ausgabeschicht, die die Zielvorhersage liefert, und einzelne oder mehrere verborgene Schichten, die die Aufgabe der Datenverarbeitung und -erkennung haben90. Die Anzahl der unabhängigen Features und abhängigen Variablen bestimmt die Anzahl der Elemente in der Eingabe- bzw. Ausgabeschicht.

Die Trainingsphase von ANN ist dafür verantwortlich, geeignete Werte für Bias/Gewicht zu erhalten, die die beste Vorhersagegenauigkeit für eine abhängige Variable bieten. In dieser Studie wurden die folgenden ANN-Modelle angewendet, um das beste Modell für die Berechnung der SAs-Löslichkeiten in einer Vielzahl von ILs zu finden.

Dieses Modell nutzt für das Training eine überwachte Lerntechnik namens Backpropagation und ist in vielen Modellierungsbereichen ein zuverlässiges Modell. Diese Studie stattet die verborgenen und Ausgabeschichten des MLP-Modells mit der Tangente Hyperbolik aus [Gl. (5)] und Logarithmus Sigmoid [Gl. (6)] Aktivierungsfunktionen90.

Dieses Modell verwendet Gauß oder RBF als Aktivierungsfunktion [Gl. (7)64] in der verborgenen Schicht, während seine Ausgabe eine lineare Kombination von Neuronenparametern und RBF-Transformation der Eingaben ist [Gl. (8)]. Eines der besten Merkmale dieses Modells ist seine Einfachheit und sein schnelles Training47.

wobei \(\upsigma\) der Spread-Faktor ist.

Um die beste RBF-Leistung zu erzielen, müssen die Anzahl der Knoten in der verborgenen Schicht und der Ausbreitungskoeffizient sorgfältig bestimmt werden47.

Dieses Modell generiert eine Kaskadenkonfiguration, die die Knoten der Eingabe mit der verborgenen und der Ausgabeschicht verbindet46. Dieses Modell nutzt auch die Tangenten-Hyperbol- und Logarithmus-Sigmoid-Übertragungsfunktionen in der verborgenen bzw. Ausgabeschicht.

Es ist erwähnenswert, dass der Lernschritt die Verbindungsgewichte und -verzerrungen durch einen vordefinierten Optimierungsalgorithmus verändert. Dieser Optimierungsalgorithmus ändert kontinuierlich die Gewichte und Verzerrungen des Modells, um den Vorhersagefehler zwischen der Modellausgabe und dem erwarteten Ziel (realen Daten) zu minimieren. Diese Studie verwendet den Levenberg-Marquardt-Algorithmus (LM), um die Trainingsphase der CFF- und MLP-Modelle durchzuführen.

Ähnlich wie MLP und CFFNN besteht auch dieser ANN-Typ aus der Eingabe-, der verborgenen und der Ausgabeschicht. Die letzten beiden Schichten verfügen über die Gaußsche bzw. lineare Übertragungsfunktion. Der einzige Unterschied zwischen GRNN- und RBFN-Topologien besteht darin, dass die Anzahl der verborgenen Neuronen der früheren Topologien festgelegt ist und nicht manipuliert werden kann91.

ANFIS wurde durch die Kombination von Fuzzy-Logik und KNN entwickelt, um von der Stärke beider Modelle zu profitieren. Dieses Modell besteht aus fünf aufeinanderfolgenden Schichten, nämlich der ersten Schicht (Fuzzy-Formation), der zweiten Schicht (Fuzzy-Regeln), der dritten Schicht (Normalisierung von Zugehörigkeitsfunktionen), der vierten Schicht (Fuzzy-Regel-Schlussfolgerungsabschnitt) und der fünften Schicht ( Ausgabeberechnung). Durch die Minimierung des beobachteten Fehlers zwischen den vorhergesagten und tatsächlichen Reaktionen mithilfe eines geeigneten Szenarios können die Parameter von ANFIS angepasst werden92.

Diese Methode ist in der Lage, die unabhängigen Variablen durch die Anwendung von Kernelfunktionen (K)92 in einen mehrdimensionalen Raum zu übertragen. Die bekanntesten und am weitesten verbreiteten Kerneltypen, die im LSSVR-Modell verwendet werden, sind Polynom, Linear und Gauß.

Um die Zuverlässigkeit der Modelle zu überprüfen, werden Bestimmtheitsmaß (R2), mittlerer quadratischer Fehler (MSE), mittlere quadratische Abweichung (RMSE), durchschnittlicher absoluter relativer Abweichungsprozentsatz (AARD), mittlerer absoluter Fehler (MAE) und relative Abweichung verwendet absoluter Fehler (RAE), die in den Gleichungen dargestellt sind. (9–14) werden bewertet. Diese Variablen werden dann zum Ranking der Modelle verwendet.

Dieser Abschnitt enthält die Ergebnisse der Relevanzanalyse, der Ranking-Analyse und eine detaillierte Untersuchung zur Bestimmung des besten Modells zur Vorhersage der Löslichkeit von SAs in ILs.

Die Korrelationskoeffizienten (Relevanzfaktoren) zwischen abhängigen und unabhängigen Variablen werden mit den drei Methoden berechnet und in Abb. 1 dargestellt. Zu diesem Zweck werden sechs effektive Parameter verwendet, nämlich Temperatur, MWs und Dichten der Lösungsmittel (ILs), MW des gelösten Stoffes (SA). ) sowie die Fusionstemperatur und Enthalpie der SA bestimmt, wobei Temperatur und Fusionstemperatur offenbar den größten Einfluss auf die Löslichkeit haben. Das MW von SAs sowie die Fusionsenthalpie haben ebenfalls einen großen Einfluss auf die SA-Löslichkeit in ILs. Die beobachteten Relevanzfaktoren zeigen, dass die Temperatur und die Eigenschaften von ILs (MW und Dichte) die Löslichkeit von SAs verbessern, die Eigenschaften von SAs (MW, Fusionstemperatur und Enthalpie) jedoch den gegenteiligen Effekt haben.

Die Ergebnisse der Relevanzanalyse für die Löslichkeit von Zuckeralkoholen in ionischen Flüssigkeiten.

Die nächste Analyse stellt einen Ranking-Test dar, der einen Vergleich zwischen den untersuchten Modellen zieht. Darauf wird in Abb. 2 eingegangen. Es ist erwähnenswert, dass dieser Vergleich bei den besten Strukturen erfolgt. Die Merkmale der Vorbewertung der Modelle sowie die beste Leistung jedes Modells werden in den Tabellen 5 und 6 behandelt.

Vergleich der eingesetzten neuronalen Netze anhand ihrer besten Leistung für die Löslichkeit von Zuckeralkoholen in ionischen Flüssigkeiten.

Basierend auf ihrer Leistung in der Trainings-, Test- und Kombinationsphase werden die Modelle in dieser Abbildung sortiert und verglichen. Die Trainingsphase umfasste 85 % der gesamten Datenbank. Dazu wurde der Rang anhand von Gl. berechnet. (15) und die bereits durch Gl. berechneten Rangindizes. (9)–(14).

Die Ergebnisse des Ranking-Tests verdeutlichen, dass das ANFIS-Modell die besten Schätzungen für die Löslichkeitsdaten für das Training, die Tests und die gesamte Datenbank bietet, während RBFNN in derselben Datenverteilung die geringsten Genauigkeiten aufweist. Daher wird in den folgenden Abschnitten das ANFIS-Modell als bestes Modell vorgestellt und zur Simulation verschiedener SA-IL-Systeme angewendet. Dieses Modell sagt allgemeine experimentelle Daten mit AARD = 7,43 %, MAE = 0,017, RAE = 9,28 %, MSE = 0,0009, RMSE = 0,03 und R2 = 0,98260 voraus.

Abbildung 3 zeigt die berechneten Löslichkeiten des ANFIS-Modells (Abb. 3A–C) sowie die relativen Abweichungen (Abb. 3D) gegenüber den experimentellen Werten. Diese Zahlen bestätigen, dass die berechneten Löslichkeiten in den beiden Trainings- und Testschritten nahe an den tatsächlichen Löslichkeiten liegen, was auf die Wirksamkeit des Modells hinweist. Auch die Verteilung der relativen Abweichungen bestätigt eine solche Aussage.

Die Gesamtleistung des ANFIS-Modells für die Auflösung von Zuckeralkoholen in ionischen Flüssigkeiten im Hinblick auf die berechneten Ergebnisse im (A) Training, (B) Testen und (C) gesamten Datensätzen und (D) relativen Abweichungen unter Verwendung des ANFIS-Modells .

Die Beobachtungen dieser Abbildung zeigen auch, dass in diesem System keine Überanpassung aufgetreten ist. Wenn ein Berechnungsverfahren dazu neigt, im Trainingsschritt jedes Detail eines Systems zu lernen, und das Modell dann bei der Schätzung der Testdaten ungenau agiert, liegt eine Überanpassung vor. Ein Hinweis auf eine Überanpassung in einem System ist ein kleiner Fehler im Trainingsdatensatz, während große Fehler im Testdatensatz sind. Aufgrund der Überanpassung ist das Modell nicht in der Lage, die bereits in der Trainingsphase erlernten Merkmale oder Muster zu verallgemeinern. Ein Grund für eine Überanpassung ist häufig die unzureichende Verteilung der Trainings- und Testdatensätze, d. h. ein kleiner Trainingsdatensatz, was in dieser Studie nicht der Fall war. Die in dieser Studie verwendete Datenverteilung (85 % für den Trainingssatz) und auch die Genauigkeiten in den Trainings- und Testdatensätzen deuten darauf hin, dass das ANFIS-Modell nicht in die Kategorie der Überanpassung fällt. Dieses Problem kann durch die Verfolgung der Residuen und Standardabweichungen in den Trainings- und Testkategorien verstanden werden.

Die Bestandteile von Abb. 4, die die Residuen (\({\mathrm{X}}_{\mathrm{i}}^{\mathrm{exp}.}-{\mathrm{X}}_{\mathrm {i}}^{\mathrm{calc}.}\))-Verteilungen weisen darauf hin, dass die Verteilungen des größten Teils des Datensatzes im Training, beim Testen und in gesamten Datensätzen im Bereich von ± 0,05 (Molanteil) liegen. Zu diesem Zweck wurden die durchschnittlichen Restwerte und Standardabweichungen basierend auf den Gleichungen berechnet. (16) bzw. (17)64. Das ANFIS-Modell weist 0,0020004, 0,0019553 und 0,0019937 Residuen für Tests, Training und gesamte Datensätze auf, während die Standardabweichungen 0,029708, 0,031421 bzw. 0,029946 betragen.

Die Histogramme der ANFIS-Abweichungen im (A) Training, (B) Test und (C) gesamten Datensatz.

Ein quantitatives Maß für die Anwendbarkeit des ANFIS-Modells, das in Form standardisierter Residuen dargestellt wird [Gl. (18)] und Hat-Index [Gl. (19)] wird in Abb. 5 behandelt. In Gl. (19) ist M eine NDP × 6-Matrix, die die experimentellen Größen der unabhängigen Variablen zeigt. Dann kann die Leverage-Methode den Bereich untersuchen, in dem ein Modell anwendbar ist, indem standardisierte Restinformationen verwendet werden, wenn diese im Bereich von ± 3 liegen. In Abb. 5 ist dieser Bereich durch gepunktete Linien gekennzeichnet. Gleichung (20) wird verwendet, um die Größe der kritischen Hebelwirkung zu bestimmen.

Die Analyse der Hebelmethode zur Erkennung der gültigen und verdächtigen Datenpunkte für die Auflösung der Zuckeralkohole in ionischen Flüssigkeiten.

Der Anwendungsbereich des ANFIS-Modells und die entsprechenden Grenzen sind in Abb. 5 definiert. Kurz gesagt bestätigt die Leverage-Methode, dass das ANFIS-Modell problemlos in der Lage ist, die Löslichkeit von SAs in ILs basierend auf der gesammelten Datenbank mit hoher Zuverlässigkeit abzuschätzen. Um dies näher zu erläutern: Da nur 20 Datenpunkte unter 647 Löslichkeitsproben entweder als gute Hebelwirkung (Hat-Index > kritische Hebelwirkung) oder als Ausreißer (standardisierte Residuen außerhalb des Bereichs von ± 3) identifiziert wurden, umfasst der Anwendungsbereich mehr als 96,9 %. der gesamten Datenbank. Aufgrund dieser Erkenntnisse ist das ANFIS-Modell aufgrund seiner hohen Abdeckung und seines breiten Anwendungsbereichs zuverlässig.

Die Löslichkeit von Sorbitol in verschiedenen ILs ist in Abb. 6 dargestellt und mit den ANFIS-Berechnungen verglichen. Das Modell kann eindeutig die Löslichkeitsdaten im gesamten Temperaturbereich darstellen und auch den Einfluss des Lösungsmitteltyps unterscheiden. Abbildung 7, die sich mit dem Einfluss von IL auf die Xylit-Löslichkeit befasst, zeigt auch, dass die ANFIS-Ergebnisse im Bereich niedriger bis hoher Löslichkeit ausreichend genau sind. Ähnliche Beobachtungen zur Löslichkeit von Fruktose in verschiedenen ILs gibt es in Abb. 8. Aus dieser Abbildung lässt sich schließen, dass selbst starke Löslichkeitsänderungen mit der Temperatur vom ANFIS-Modell mit bemerkenswerter Präzision simuliert werden können.

Vergleich der experimentellen Löslichkeiten von Sorbitol in verschiedenen ionischen Flüssigkeiten mit den Ergebnissen des ANFIS-Modells.

Vergleich der experimentellen Löslichkeiten von Xylitol in verschiedenen ionischen Flüssigkeiten mit den Ergebnissen des ANFIS-Modells.

Vergleich der experimentellen Löslichkeiten von Fruktose in verschiedenen ionischen Flüssigkeiten mit den Ergebnissen des ANFIS-Modells.

Das Löslichkeitsverhalten von Fructose, Glucose und Saccharose in [C4C1Im][CF3CO2] IL ist in Abb. 9 dargestellt, was bedeutet, dass sie vom ANFIS-Modell im gesamten Temperaturbereich gut geschätzt werden.

Vergleich der experimentellen Löslichkeiten von Fructose, Glucose und Saccharose in der ionischen Flüssigkeit [C4C1Im][CF3CO2] und mit dem Ergebnis des ANFIS-Modells.

[C4C1Im][(OCH3)2PO4] IL, das eine niedrige bis hohe Löslichkeitskapazität für verschiedene SA-Verbindungen, einschließlich Xylose, Glucose und Fructose, bietet, wird bewertet und mit den ANFIS-Schätzungen in Abb. 10 verglichen. Es ist ersichtlich, dass die Das Modell kann das Löslichkeitsverhalten verschiedener IL-SA-Paare vom niedrigen bis zum hohen Löslichkeitsbereich mit bemerkenswerter Genauigkeit beschreiben.

Vergleich der experimentellen Löslichkeiten von Fructose, Glucose und Saccharose in der ionischen Flüssigkeit [C4C1Im][(OCH3)2PO4] mit dem Ergebnis des ANFIS-Modells.

Der Einfluss der SA-Verbindung und der Temperatur auf die Absorptionskapazität von [bmim][DCA] IL ist in Abb. 11 verglichen. Trotz einiger geringfügiger Abweichungen im höheren Löslichkeitsbereich kann das ANFIS-Modell die tatsächlichen Daten genau darstellen. Es lohnt sich zu diskutieren, dass der gesammelte Datensatz und die Diskrepanzen verschiedener Datensätze auch die Genauigkeit des ANFIS-Modells beeinflussen und ein Großteil des beobachteten Fehlers auf diese Streuung zurückzuführen ist. Dieses Problem ist in Abb. 11B gut vergrößert. Wie aus der Abbildung hervorgeht, gibt es mehr als eine Referenz für die gesammelten Daten zu den Löslichkeiten von Sorbit, Glucose und Fructose in [bmim][DCA], und die gemeldeten Mengen und sogar Trends variieren jeweils stark erzeugt Unsicherheiten im Modellverhalten.

Vergleich der experimentellen Löslichkeiten von (A) Xylose, Mannose und Galactose und (B) Sorbitol, Glucose und Fructose in der ionischen Flüssigkeit [bmim][DCA] mit dem Ergebnis des ANFIS-Modells.

Tabelle 7 fasst die Leistung des ANFIS-Modells zur Vorhersage des Phasengleichgewichts verschiedener SA-IL-Paare zusammen. Die größte Abweichung wird bei der D-Xylitol-Löslichkeit in [bmim][C(CN)3] (ARD = 9,72 % und AARD = 29,62 %) und die größten relativen Abweichungen (Min RD = − 28,02 % und Max RD) beobachtet = 75,23 %) gehören ebenfalls zu einem Datenpunkt aus demselben System. Dennoch übersteigt der maximale AARD-Prozentsatz bei den meisten SA-IL-Paaren nicht 10 %, was die Genauigkeit des ANFIS-Modells bei der Darstellung der Löslichkeitsdaten von SAs in ILs belegt. Das ANFIS-Modell kann weiterhin für die Modellierung von Löslichkeitsdaten in verschiedenen Lösungen verwendet werden, die aus SA-Verbindungen und ILs bestehen.

Obwohl ML-Studien, die die betreffenden Systeme berücksichtigen, in der Literatur derzeit nicht zu finden sind, ist ein Vergleich zwischen einem verfügbaren Modellierungsansatz und dem hier entwickelten von großem Interesse und kann dann Aufschluss über die Qualität von ML-Modellen geben. Die bisherigen Berechnungsverfahren für die Löslichkeit von SAs in ILs umfassen thermodynamische Modelle, die von der Verwendung von ACMs profitieren, hauptsächlich einschließlich NRTL und UNIQUAC und EoS wie PC-SAFT.

Zu diesem Zweck ist PC-SAFT ein beliebtes EoS, das entweder von prädiktiven oder korrelativen Schemata profitieren kann. Carneiro et al.33 entwickelten auf dieser Methode basierende Berechnungen für die Löslichkeiten von Xylit und Sorbit in 1-Ethyl-3-methylimidazolium-dicyanamid, 1-Butyl-3-methylimidazolium-dicyanamid, Aliquat®-dicyanamid, Trihexyltetradecylphosphonium-dicyanamid und 1-Ethyl-3 -Methylimidazoliumtrifluoracetat bei 288–339 K. In den gesamten untersuchten Systemen ergaben sich Abweichungen von 3,7–112,2 % bzw. 3,3–21,7 %, wenn der prädiktive bzw. der korrelative Ansatz verwendet wurde. Die Verwendung eines Anpassungsparameters in den Berechnungen, der auf Basis der Regression der Löslichkeitsdaten ermittelt wurde, verbesserte die Genauigkeit der Berechnungen deutlich. Paduszynski et al.37 profitierten ebenfalls von demselben Ansatz mit einigen geringfügigen Modifikationen für das System, einschließlich 1-Butyl-3-methylimidazoliumdicyanamid-1-Butyl-3-methylimidazoliumtrifluoracetat-ILs und Glucose-, Fructose- und Saccharose-SAs. Dann berichteten sie über eine sehr schlechte Übereinstimmung zwischen den Berechnungen und den Messungen im Vorhersagemodus. Sie profitierten von zwei einstellbaren Parametern und der Regression der Löslichkeitstemperaturen und verbesserten die Genauigkeit des Modells erheblich. Ihre weitere Studie berichtete ebenfalls über dieselben Trends38. Obwohl diese Berechnungsmethode erfolgreich war und in vielen Fällen mit den ML-Berechnungen in dieser Studie vergleichbar ist, erfordert sie ein zweistufiges Regressionsverfahren einschließlich der Optimierung reiner und binärer Daten.

Die Löslichkeiten von Glucose, Fructose, Xylose und Galactose in zwei ILs, nämlich dem 1-Ethyl-3-methylimidazoliumethylsulfat (auch bekannt als [emim][EtSO4]) und dem Aliquat®336 bei 288–328 K, wurden von Carneiro und modelliert Mitarbeiter31 durch die Verwendung von NRTL- und UNIQUAC-Gleichungen. Der für die beiden Gleichungen erhaltene AARD-Prozentsatz überstieg in fast allen Fällen nicht 4 % (basierend auf den Molanteilen), und es wurde kein signifikanter Unterschied zwischen den beiden Gleichungen beobachtet. Dieses Team32 verwendete dann eine ähnliche Methodik innerhalb derselben ACMs und eine e-NRTL-Gleichung für die Systeme, die aus Xylit und Sorbit sowie mehreren ILs bestehen. Ihre auf NRTL-, UNIQUAC- und e-NRTL-ACMs basierenden Berechnungen ergaben Abweichungen von 0,9–3,7 %, 1,1–3,2 % bzw. 0,7–2,6 %. Ähnliche Beobachtungen wurden in weiteren Studien derselben Forschungsgruppe berichtet34. Im Vergleich zu den ML-Modellen erfordern die auf Aktivitätskoeffizientengleichungen basierenden thermodynamischen Modelle anspruchsvollere Berechnungen sowie ein regressionsbasiertes Verfahren, was zur Akkumulation einer großen Anzahl von Parametern für eine große Anzahl von SA-IL-Binärsystemen führen kann.

Ionische Flüssigkeiten wurden kürzlich eingeführt, um die Entwicklung von Zuckerverbindungen und deren effiziente Extraktion zu verbessern. Diese Studie ist der erste Versuch, mehrere Modelle für maschinelles Lernen zur Vorhersage der Löslichkeit von Zuckeralkoholen in ionischen Flüssigkeiten zu entwickeln. Modelle für maschinelles Lernen wurden unter Verwendung von 647 Löslichkeitsproben von 19 Zuckeralkoholen in 21 aus der Literatur gesammelten ionischen Flüssigkeiten implementiert. Nach der Erkennung der effektiven Variablen, d. h. Temperatur, Molekulargewicht und Dichte von ILs, Molekulargewicht von SAs, Fusionstemperatur und Enthalpie, unterstützen künstliche neuronale Netze, die Methode der kleinsten Quadrate die Vektorregression und das adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS). ) wurde bewertet, wobei ANFIS das überlegene war. Die Genauigkeit dieses Modells wurde durch einen R2 von 0,98359 und einen AARD von 7,43 % für die Schätzung der gesamten Datenbank bestätigt. Im Gegensatz dazu wird das neuronale Netzwerk auf radialer Basis mit AARD = 18,21 % und R2 = 0,93202 als das schlechteste Modell identifiziert. Die Überprüfung der Vorhersagen des ANFIS-Modells mithilfe der Leverage-Methode ergab, dass dieses Modell aufgrund seines breiten Anwendungsbereichs und eines bemerkenswerten Abdeckungsgrads zuverlässig ist. Die Ergebnisse dieser Untersuchung können zum Screening von ionischen Flüssigkeitslösungsmitteln für die geeignete Extraktion von Zuckeralkoholen beitragen. Darüber hinaus können ANFIS-Modelle effizient zur Löslichkeitsschätzung in den untersuchten SA-IL-Systemen eingesetzt werden.

Alle gesammelten Daten aus der Literatur, die in der vorliegenden Studie analysiert werden, werden dem Manuskript hinzugefügt (siehe ergänzende Informationen).

Nunes, LJR, Causer, TP & Ciolkosz, D. Biomasse für Energie: Ein Überblick über Supply-Chain-Management-Modelle. Erneuern. Aufrechterhalten. Energy Rev. 120, 109658 (2020).

Artikel Google Scholar

Wang, G. et al. Ein Überblick über die jüngsten Fortschritte in der Biomassepyrolyse. Energy Fuels 34, 15557–15578 (2020).

Artikel CAS Google Scholar

Osman, AI et al. Umwandlung von Biomasse in Biokraftstoffe und Ökobilanz: Ein Rückblick. Umgebung. Chem. Lette. 19, 4075–4118 (2021).

Artikel CAS Google Scholar

Bakhtyari, A., Makarem, MA & Rahimpour, MR Bioenergy Systems for the Future 87–148 (Woodhead Publishing, 2017).

Buchen Sie Google Scholar

Testa, ML & Tummino, ML Lignocellulose-Biomasse als multifunktionales Werkzeug für nachhaltige Katalyse und Chemikalien: Ein Überblick. Katalysatoren 11, 125 (2021).

Artikel CAS Google Scholar

Lin, C.-Y. & Lu, C. Entwicklungsperspektiven vielversprechender Lignozellulose-Rohstoffe für die Produktion von Biokraftstoffen der neuesten Generation: Ein Überblick. Erneuern. Aufrechterhalten. Energy Rev. 136, 110445 (2021).

Artikel CAS Google Scholar

Wang, C. et al. Ein Überblick über die Umwandlung von Lignozellulose-Biomasse in flüssige Transportkraftstoffe durch integrierte Raffinierungsstrategien. Kraftstoffprozess. Technol. 208, 106485 (2020).

Artikel CAS Google Scholar

Yamaguchi, A., Sato, O., Mimura, N. & Shirai, M. Katalytische Produktion von Zuckeralkoholen aus Lignocellulose-Biomasse. Katal. Heute 265, 199–202. https://doi.org/10.1016/j.cattod.2015.08.026 (2016).

Artikel CAS Google Scholar

Erian, AM & Sauer, M. Nutzung von Hefen für die Umwandlung erneuerbarer Rohstoffe in Zuckeralkohole: Ein Überblick. Bioresour. Technol. 346, 126296. https://doi.org/10.1016/j.biortech.2021.126296 (2022).

Artikel CAS PubMed Google Scholar

da Costa Lopes, AM, João, KG, Morais, ARC, Bogel-Łukasik, E. & Bogel-Łukasik, R. Ionische Flüssigkeiten als Werkzeug für die Fraktionierung lignozellulosischer Biomasse. Aufrechterhalten. Chem. Verfahren. 1, 1–31 (2013).

Artikel Google Scholar

Abbasi, AR et al. Jüngste Fortschritte bei der Herstellung von Zuckeralkoholen und funktionellen Zuckern durch die Entwicklung von Yarrowia lipolytica. Vorderseite. Bioeng. Biotechnologie. 9, 648382 (2021).

Artikel PubMed PubMed Central Google Scholar

Fickers, P., Cheng, H. & SzeKiLin, C. Zuckeralkohole und organische Säuresynthese in Yarrowia lipolytica: Wo sind wir?. Mikroorganismen 8, 574 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Park, Y.-C., Oh, EJ, Jo, J.-H., Jin, Y.-S. & Seo, J.-H. Jüngste Fortschritte in der biologischen Produktion von Zuckeralkoholen. Curr. Meinung. Biotechnologie. 37, 105–113 (2016).

Artikel CAS PubMed Google Scholar

Grembecka, M. Zuckeralkohole – ihre Rolle in der modernen Welt der Süßstoffe: Ein Rückblick. EUR. Lebensmittelres. Technol. 241, 1–14 (2015).

Artikel CAS Google Scholar

Amarasekara, AS Ionische Flüssigkeiten in der Biomasseverarbeitung. Isr. J. Chem. 59, 789–802 (2019).

Artikel CAS Google Scholar

Tan, SSY & MacFarlane, DR Ionische Flüssigkeiten in der Biomasseverarbeitung. Ionische Flüssigkeiten 1, 311–339 (2009).

Artikel Google Scholar

Rajamani, S., Santhosh, R., Raghunath, R. & Jadhav, SA Mehrwertchemikalien aus Zuckerrohr-Bagasse unter Verwendung ionischer Flüssigkeiten. Chem. Brei. 75, 5605–5622 (2021).

Artikel CAS Google Scholar

Parvaneh, K., Rasoolzadeh, A. & Shariati, A. Modellierung des Phasenverhaltens von Kältemitteln mit ionischen Flüssigkeiten unter Verwendung der QC-PC-SAFT-Zustandsgleichung. J. Mol. Liq. 274, 497–504. https://doi.org/10.1016/j.molliq.2018.10.116 (2019).

Artikel CAS Google Scholar

Singh, SK & Savoy, AW Synthese und Anwendungen ionischer Flüssigkeiten: Ein Überblick. J. Mol. Liq. 297, 112038 (2020).

Artikel CAS Google Scholar

Sedghamiz, MA, Rasoolzadeh, A. & Rahimpour, MR Die Fähigkeit eines künstlichen neuronalen Netzwerks zur Vorhersage der Löslichkeit saurer Gase in verschiedenen ionischen Flüssigkeiten. J. CO2-Nutzung. 9, 39–47. https://doi.org/10.1016/j.jcou.2014.12.003 (2015).

Artikel CAS Google Scholar

Rasoolzadeh, A. et al. Ein thermodynamischer Rahmen zur Bestimmung der Gashydratstabilitätsbedingungen und der Wasseraktivität in wässrigen Ionenflüssigkeitslösungen. J. Mol. Liq. 347, 118358 (2022).

Artikel CAS Google Scholar

Setiawan, R., Daneshfar, R., Rezvanjou, O., Ashoori, S. & Naseri, M. Oberflächenspannung binärer Mischungen mit umweltfreundlichen ionischen Flüssigkeiten: Erkenntnisse aus künstlicher Intelligenz. Umgebung. Entwickler Aufrechterhalten. 23, 17606–17627 (2021).

Artikel Google Scholar

Rasoolzadeh, A., Javanmardi, J., Eslamimanesh, A. & Mohammadi, AH Experimentelle Untersuchung und Modellierung der Induktionszeit der Methanhydratbildung in Gegenwart ionischer Flüssigkeiten. J. Mol. Liq. 221, 149–155. https://doi.org/10.1016/j.molliq.2016.05.016 (2016).

Artikel CAS Google Scholar

Welton, T. Ionische Flüssigkeiten: Eine kurze Geschichte. Biophys. Rev. 10, 691–706 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Brandt, A., Gräsvik, J., Hallett, JP & Welton, T. Dekonstruktion von Lignozellulose-Biomasse mit ionischen Flüssigkeiten. Grüne Chem. 15, 550–583 (2013).

Artikel CAS Google Scholar

Reddy, P. Eine kritische Übersicht über ionische Flüssigkeiten zur Vorbehandlung von lignozellulosehaltiger Biomasse. S. Afr. J. Sci. 111, 1–9 (2015).

Artikel Google Scholar

Tu, W.-C. & Hallett, JP Jüngste Fortschritte bei der Vorbehandlung von lignozellulosehaltiger Biomasse. Curr. Meinung. Grüne Nachhaltigkeit. Chem. 20, 11–17 (2019).

Artikel Google Scholar

Usmani, Z. et al. Vorbehandlung von Lignozellulose-Biomasse auf Basis ionischer Flüssigkeiten für eine verbesserte Biokonvertierung. Biores. Technol. 304, 123003 (2020).

Artikel CAS Google Scholar

Roy, S. & Chundawat, SPS Vorbehandlung von Lignozellulose-Biomasse auf Basis ionischer Flüssigkeiten für die Biokonvertierung: Eine kritische Überprüfung. BioEnergy Res. 1, 1–16 (2022).

Google Scholar

Xia, Z. et al. Verarbeitung und Verwertung von Zellulose, Lignin und Lignozellulose mithilfe ionischer Flüssigkeiten. J. Bioresour. Bioprod. 5, 79–95 (2020).

Artikel CAS Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, EA Löslichkeit von Monosacchariden in ionischen Flüssigkeiten: Experimentelle Daten und Modellierung. Flüssigkeitsphasengleichgewicht. 314, 22–28 (2012).

Artikel CAS Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, EA Löslichkeit von Xylitol und Sorbitol in ionischen Flüssigkeiten: Experimentelle Daten und Modellierung. J. Chem. Thermodyn. 55, 184–192 (2012).

Artikel CAS Google Scholar

Carneiro, AP, Held, C., Rodriguez, O., Sadowski, G. & Macedo, EA Löslichkeit von Zuckern und Zuckeralkoholen in ionischen Flüssigkeiten: Messung und PC-SAFT-Modellierung. J. Phys. Chem. B 117, 9980–9995 (2013).

Artikel CAS PubMed Google Scholar

Carneiro, AP, Rodríguez, O. & Macedo, ENA Fructose- und Glucose-Auflösung in ionischen Flüssigkeiten: Löslichkeit und thermodynamische Modellierung. Ind. Eng. Chem. Res. 52, 3424–3435 (2013).

Artikel CAS Google Scholar

Mohan, M., Goud, VV & Banerjee, T. Löslichkeit von Glucose, Xylose, Fructose und Galactose in ionischen Flüssigkeiten: Experimentelle und theoretische Studien unter Verwendung eines Kontinuumslösungsmodells. Flüssigkeitsphasengleichgewicht. 395, 33–43 (2015).

Artikel CAS Google Scholar

Mohan, M., Banerjee, T. & Goud, VV Festflüssigkeitsgleichgewicht von Cellobiose, Saccharose und Maltose-Monohydrat in ionischen Flüssigkeiten: Experimentelle und quantenchemische Erkenntnisse. J. Chem. Ing. Daten 61, 2923–2932 (2016).

Artikel CAS Google Scholar

Paduszynski, K., Okuniewski, M. & Domanska, U. „Sweet-in-Green“-Systeme auf Basis von Zuckern und ionischen Flüssigkeiten: Neue Löslichkeitsdaten und thermodynamische Analyse. Ind. Eng. Chem. Res. 52, 18482–18491 (2013).

Artikel CAS Google Scholar

Paduszyński, K., Okuniewski, M. & Domańska, U. Fest-Flüssig-Phasengleichgewichte in binären Mischungen funktionalisierter ionischer Flüssigkeiten mit Zuckeralkoholen: Neue experimentelle Daten und Modellierung. Flüssigkeitsphasengleichgewicht. 403, 167–175 (2015).

Artikel Google Scholar

Paduszyński, K., Okuniewski, M. & Domańska, U. Ein Einfluss der Kationenfunktionalisierung auf die thermophysikalischen Eigenschaften ionischer Flüssigkeiten und die Löslichkeit von Glucose darin – Messungen und PC-SAFT-Berechnungen. J. Chem. Thermodyn. 92, 81–90 (2016).

Artikel Google Scholar

Teles, ARR et al. Löslichkeit und Solvatisierung von Monosacchariden in ionischen Flüssigkeiten. Physik. Chem. Chem. Physik. 18, 19722–19730 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Yang, X., Wang, J. & Fang, Y. Löslichkeit und Lösungsthermodynamik von Glucose und Fructose in drei asymmetrischen dikationischen ionischen Flüssigkeiten von 323,15 K bis 353,15 KJ Chem. Thermodyn. 139, 105879 (2019).

Artikel CAS Google Scholar

Abbasi, M., Pazuki, G., Raisi, A. & Baghbanbashi, M. Thermophysikalische und rheologische Eigenschaften von Sorbitol+([mmim](MeO)2PO2) ionischen Flüssigkeitslösungen: Löslichkeit, Dichte und Viskosität. Lebensmittelchem. 320, 126566 (2020).

Artikel CAS PubMed Google Scholar

Zarei, S., Abdolrahimi, S. & Pazuki, G. Thermophysikalische Charakterisierung von Sorbitol- und 1-Ethyl-3-methylimidazoliumacetat-Mischungen. Flüssigkeitsphasengleichgewicht. 497, 140–150 (2019).

Artikel Google Scholar

Ruiz-Aceituno, L., Carrero-Carralero, C., Ramos, L. & Sanz, ML Selektive Fraktionierung von Zuckeralkoholen mit ionischen Flüssigkeiten. Sep. Purif. Technol. 209, 800–805 (2019).

Artikel CAS Google Scholar

Jeon, PR & Lee, C.-H. Modellierung eines künstlichen neuronalen Netzwerks zur Löslichkeit von Kohlendioxid in verschiedenen wässrigen Lösungen von reinem Wasser bis hin zu Salzlösung. J. CO2-Nutzung. 47, 101500 (2021).

Artikel CAS Google Scholar

Amar, MN Modellierung der Löslichkeit von Schwefel in reinen Schwefelwasserstoff- und Sauergasmischungen mithilfe strenger Methoden des maschinellen Lernens. Int. J. Hydrogen Energy 45, 33274–33287 (2020).

Artikel Google Scholar

Hemmati-Sarapardeh, A., Amar, MN, Soltanian, MR, Dai, Z. & Zhang, X. Modellierung der CO2-Löslichkeit in Wasser bei hohen Druck- und Temperaturbedingungen. Energy Fuels 34, 4761–4776 (2020).

Artikel CAS Google Scholar

Vanani, MB, Daneshfar, R. & Khodapanah, E. Ein neuartiger MLP-Ansatz zur Schätzung des Asphaltengehalts von Rohöl. Haustier. Wissenschaft. Technol. 37, 2238–2245 (2019).

Artikel CAS Google Scholar

Daneshfar, R., Keivanimehr, F., Mohammadi-Khanaposhtani, M. & Baghban, A. Eine neuronale Computerstrategie zur Schätzung des Taupunktdrucks von Gaskondensatreservoirs. Haustier. Wissenschaft. Technol. 38, 706–712 (2020).

Artikel CAS Google Scholar

Bakhtyari, A., Mofarahi, M. & Iulianelli, A. Kombinierte mathematische und künstliche Intelligenzmodellierung der katalytischen Umwandlung von Biomethanol in Dimethylether. Energiewandler. Geschäftsführer 276, 116562. https://doi.org/10.1016/j.enconman.2022.116562 (2023).

Artikel CAS Google Scholar

Bakhtyari, A., Bardool, R., Reza Rahimpour, M., Mofarahi, M. & Lee, C.-H. Leistungsanalyse und Modellierung künstlicher Intelligenz für eine verbesserte Wasserstoffproduktion durch katalytische Reformierung von Bioalkohol in einem membranunterstützten Reaktor. Chem. Ing. Wissenschaft. https://doi.org/10.1016/j.ces.2022.118432 (2022).

Artikel Google Scholar

Mehrabi, K., Bakhtyari, A., Mofarahi, M. & Lee, C.-H. Einfache und genaue Berechnung der Dichte von Aminosäuresalzlösungen: Eine einfache und allgemeine Korrelation mit künstlichen neuronalen Netzen. Energy Fuels 36, 7661–7675 (2022).

Artikel CAS Google Scholar

Baskin, I., Epshtein, A. & Ein-Eli, Y. Benchmarking maschineller Lernmethoden zur Modellierung physikalischer Eigenschaften ionischer Flüssigkeiten. J. Mol. Liq. 351, 118616 (2022).

Artikel CAS Google Scholar

Duong, DV et al. Untersuchung der Viskosität und Ionenleitfähigkeit protischer ionischer Flüssigkeiten in Wassermischungen durch maschinelles Lernen. J. Chem. Physik. 156, 154503 (2022).

Artikel ADS CAS PubMed Google Scholar

Nakhaei-Kohani, R. et al. Maschinelles Lernen unterstützte strukturbasierte Modelle zur Vorhersage der elektrischen Leitfähigkeit ionischer Flüssigkeiten. J. Mol. Flüssigkeiten 362, 119509 (2022).

Artikel CAS Google Scholar

Bakhtyari, A., Rasoolzadeh, A., Mehrabi, K., Mofarahi, M. & Lee, C.-H. Einfache Schätzung der Viskosität natürlicher Aminosäuresalzlösungen: Empirische Modelle vs. künstliche Intelligenz. Ergebnisse Eng. 18, 101187. https://doi.org/10.1016/j.rineng.2023.101187 (2023).

Artikel CAS Google Scholar

Daneshfar, R. et al. Experimentelle Untersuchung und Modellierung von Wechselwirkungen zwischen Flüssigkeit und karbonisiertem Gestein mit dem Chelatbildner EDTA während des EOR-Prozesses. Energiekraftstoffe 1, 1–10 (2023).

Google Scholar

Syah, R., Naeem, MHT, Daneshfar, R., Dehdar, H. & Soulgani, BS Zur Vorhersage der Methanadsorption in Schiefer unter Verwendung des Gray-Wolf-Optimizer-Support-Vector-Machine-Ansatzes. Petroleum 8, 264–269 (2022).

Artikel Google Scholar

Ge, H., Zheng, J. & Xu, H. Fortschritte im maschinellen Lernen für Anwendungen von Lignozellulose-Biomasse mit hohem Mehrwert. Bioresour. Technol. 1, 128481 (2022).

Google Scholar

Pirdashti, M., Curteanu, S., Kamangar, MH, Hassim, MH & Khatami, M. Künstliche neuronale Netze: Anwendungen in der Chemietechnik. Rev. Chem. Ing. 29, 205–239 ​​(2013).

Artikel CAS Google Scholar

Çolak, AB Experimentelle Studie zur Wärmeleitfähigkeit wasserbasierter Zirkoniumoxid-Nanoflüssigkeit: Entwicklung eines optimalen künstlichen neuronalen Netzwerks und Vorschlag einer neuen Korrelation. Int. J. Energy Res. 45(2), 2912–2930 (2021).

Artikel MathSciNet Google Scholar

Schober, P., Boer, C. & Schwarte, LA Korrelationskoeffizienten: Angemessene Verwendung und Interpretation. Anästhesie. Analg. 126, 1763–1768 (2018).

Artikel PubMed Google Scholar

Wackerly, D., Mendenhall, W. & Scheaffer, RL Mathematische Statistik mit Anwendungen (Cengage Learning, 2014).

MATH Google Scholar

Zhu, X. et al. Anwendung maschineller Lernmethoden zur Abschätzung und zum Vergleich der Schwefeldioxid-Absorptionskapazität verschiedener tief eutektischer Lösungsmittel. J. Sauber. Prod. 363, 132465 (2022).

Artikel CAS Google Scholar

Van Doorn, J., Ly, A., Marsman, M. & Wagenmakers, E.-J. Bayes'sche Folgerung für Kendalls Rangkorrelationskoeffizient. Bin. Stat. 72, 303–308 (2018).

Artikel MathSciNet MATH Google Scholar

Paduszynski, K., Okuniewski, M. & Domanska, U. Erneuerbare Rohstoffe in grünen Lösungsmitteln: Thermodynamische Studie zu Phasendiagrammen von D-Sorbit und Xylit mit ionischen Flüssigkeiten auf Dicyanamidbasis. J. Phys. Chem. B 117, 7034–7046 (2013).

Artikel CAS PubMed Google Scholar

Conceiçao, LJA, Bogel-Łukasik, E. & Bogel-Łukasik, R. Ein neuer Ausblick auf die Löslichkeit von Kohlenhydraten und Zuckeralkoholen in ionischen Flüssigkeiten. RSC Adv. 2, 1846–1855 (2012).

Artikel ADS Google Scholar

Hassan, E.-SRE, Mutelet, F., Pontvianne, S. & Moise, J.-C. Untersuchungen zur Auflösung von Glucose in ionischen Flüssigkeiten und zur Extraktion mittels Antisolvent-Methode. Umgebung. Wissenschaft. Technol. 47, 2809–2816 (2013).

Artikel ADS CAS PubMed Google Scholar

Hassan, E.-SRE, Mutelet, F. & Moïse, J.-C. Von der Auflösung bis zur Extraktion von Kohlenhydraten mittels ionischer Flüssigkeiten. RSC Adv. 3, 20219–20226 (2013).

Artikel ADS CAS Google Scholar

Klomfar, J., Součková, M. & Pátek, J. P-ρ-T-Messungen für 1-Ethyl- und 1-Butyl-3-methylimidazolium-Dicyanamide von ihrer Schmelztemperatur bis 353 K und einem Druck von bis zu 60 MPa. J. Chem. Ing. Daten 57, 1213–1221 (2012).

Artikel CAS Google Scholar

de Castro, CAN et al. Untersuchungen zur Dichte, Wärmekapazität, Oberflächenspannung und unendlichen Verdünnungsdiffusion mit den ionischen Flüssigkeiten [C4mim][NTf2],[C4mim][dca],[C2mim][EtOSO3] und [Aliquat][dca]. Flüssigkeitsphasengleichgewicht. 294, 157–179 (2010).

Artikel Google Scholar

Rodriguez, H. & Brennecke, JF Temperatur- und Zusammensetzungsabhängigkeit der Dichte und Viskosität binärer Mischungen aus Wasser + ionischer Flüssigkeit. J. Chem. Ing. Daten 51, 2145–2155 (2006).

Artikel CAS Google Scholar

Matkowska, D. & Hofman, T. Volumetrische Hochdruckeigenschaften ionischer Flüssigkeiten: 1-Butyl-3-methylimidazoliumtetrafluorborat,[C4mim][BF4], 1-Butyl-3-methylimidazoliummethylsulfat [C4mim][MeSO4] und 1 -Ethyl-3-methylimidazoliumethylsulfat,[C2mim][EtSO4]. J. Mol. Liq. 165, 161–167 (2012).

Artikel CAS Google Scholar

Xiaodan, W., Hongtao, FAN & Tianfang, CUI Thermodynamische Eigenschaft der ionischen Flüssigkeit [BMIM] HSO4. Acta Sci. Natur. Univ. Sunyatseni 51, 79 (2012).

Google Scholar

Królikowska, M. & Hofman, T. Dichten, isobare Ausdehnungen und isotherme Kompressibilitäten der ionischen Flüssigkeiten auf Thiocyanatbasis bei Temperaturen (298,15–338,15 K) und Drücken bis zu 10 MPa. Thermochim. Acta 530, 1–6 (2012).

Artikel Google Scholar

Freire, MG et al. Thermophysikalische Charakterisierung ionischer Flüssigkeiten, die Biomasse lösen können. J. Chem. Ing. Daten 56, 4813–4822 (2011).

Artikel CAS Google Scholar

Li, W. et al. Einfluss von Wasser und organischen Lösungsmitteln auf die ionische Dissoziation ionischer Flüssigkeiten. J. Phys. Chem. B 111, 6452–6456 (2007).

Artikel CAS PubMed Google Scholar

Martins, MAR et al. Auswahl und Charakterisierung nicht idealer ionischer Flüssigkeitsmischungen zur Verwendung bei der CO2-Abscheidung. Flüssigkeitsphasengleichgewicht. 518, 112621 (2020).

Artikel CAS Google Scholar

Govinda, V., Attri, P., Venkatesu, P. & Venkateswarlu, P. Thermophysikalische Eigenschaften von Dimethylsulfoxid mit ionischen Flüssigkeiten bei verschiedenen Temperaturen. Flüssigkeitsphasengleichgewicht. 304, 35–43 (2011).

Artikel CAS Google Scholar

Valderrama, JO & Rojas, RE Kritische Eigenschaften ionischer Flüssigkeiten. Wieder besucht. Ind. Eng. Chem. Res. 48, 6890–6900 (2009).

Artikel CAS Google Scholar

Valderrama, JO, Forero, LA & Rojas, RE Kritische Eigenschaften und normale Siedetemperatur von ionischen Flüssigkeiten: Update und ein neuer Konsistenztest. Ind. Eng. Chem. Res. 51, 7838–7844 (2012).

Artikel CAS Google Scholar

Barone, G., Della Gatta, G., Ferro, D. & Piacente, V. Enthalpien und Entropien der Sublimation, Verdampfung und Fusion von neun mehrwertigen Alkoholen. J. Chem. Soc. Faraday Trans. 86, 75–79 (1990).

Artikel CAS Google Scholar

Haynes, WM CRC Handbook of Chemistry and Physics (CRC Press, London, 2016).

Buchen Sie Google Scholar

Jónsdóttir, S. Ó., Cooke, SA & Macedo, EA Modellierung und Messung von Fest-Flüssigkeits- und Dampf-Flüssigkeits-Gleichgewichten von Polyolen und Kohlenhydraten in wässriger Lösung. Kohlenhydrate. Res. 337, 1563–1571 (2002).

Artikel Google Scholar

Feng, W., Vander Kooi, HJ & de SwaanArons, J. Anwendung der SAFT-Zustandsgleichung auf die Biomasse von Schnellpyrolyseflüssigkeiten. Chem. Ing. Wissenschaft. 60, 617–624 (2005).

Artikel CAS Google Scholar

Ferreira, O., Brignole, EA & Macedo, EA Phasengleichgewichte in Zuckerlösungen unter Verwendung des A-UNIFAC-Modells. Ind. Eng. Chem. Res. 42, 6212–6222 (2003).

Artikel CAS Google Scholar

Jafari Gukeh, M., Moitra, S., Ibrahim, AN, Derrible, S. & Megaridis, CM Vorhersage der Benetzbarkeit von TiO2-Beschichtungen durch maschinelles Lernen, abgestimmt durch UV-Belichtung. ACS-Appl. Mater. Schnittstellen 13, 46171–46179 (2021).

Artikel CAS PubMed Google Scholar

Amar, MN, Ghriga, MA & Ouaer, H. Zur Bewertung der Löslichkeit von Schwefelwasserstoff in ionischen Flüssigkeiten mithilfe fortschrittlicher intelligenter Ausschussmaschinensysteme. J. Taiwan Inst. Chem. Ing. 118, 159–168 (2021).

Artikel Google Scholar

Yin, L. et al. Trübungsbewertung mithilfe der Faltungs-Neuronalen Netze. Atmosphäre 13, 522 (2022).

Artikel ADS CAS Google Scholar

Hagan, MT, Demuth, HB & Beale, M. Neural Network Design (PWS Publishing Co., 1997).

Google Scholar

Lobato, J. et al. Direkte und inverse neuronale Netzmodellierung zur Untersuchung des Einflusses der Gasdiffusionsschichteigenschaften auf PBI-basierte PEM-Brennstoffzellen. Int. J. Hydrogen Energy 35, 7889–7897 (2010).

Artikel CAS Google Scholar

Zhang, H. et al. Distanzbasierte Support-Vektor-Maschine zur Vorhersage der DNA-N6-Methyladenin-Modifikation. Curr. Bioinform. 17, 473–482 (2022).

Artikel CAS Google Scholar

Referenzen herunterladen

Fakultät für Chemieingenieurwesen, Universität Shiraz, Shiraz, Iran

Ali Bakhtyari

Fakultät für Ingenieurwissenschaften, Behbahan Khatam Alanbia University of Technology, Behbahan, Iran

Ali Rasoolzadeh

Fakultät für Chemieingenieurwesen, Zweigstelle Shiraz, Islamische Azad-Universität, Shiraz, Iran

Behzad Vaferi

Abteilung für fortgeschrittene Berechnungen, Forschungszentrum für Chemie-, Erdöl- und Polymertechnik, Zweigstelle Shiraz, Islamische Azad-Universität, Shiraz, Iran

Behzad Vaferi

Fakultät für Elektrotechnik, Universität Katar, Doha, 2713, Katar

Amit Khandakar

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AB: Konzeptualisierung, Schreiben des Originalentwurfs, Datenkuratierung, Untersuchung, Überprüfung und Bearbeitung, endgültige Genehmigung. AR: Konzeptualisierung, Schreiben des Originalentwurfs, Projektverwaltung, Überprüfung und Bearbeitung, endgültige Genehmigung. BV: Modellkonstruktion, Überprüfung und Bearbeitung, formale Analyse, Überprüfung und Bearbeitung, endgültige Genehmigung, Überwachung. AK: Überprüfung und Bearbeitung, Software, Methodik, Ressourcen, Überprüfung und Bearbeitung, endgültige Genehmigung.

Korrespondenz mit Behzad Vaferi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Bakhtyari, A., Rasoolzadeh, A., Vaferi, B. et al. Anwendung maschineller Lerntechniken zur Modellierung der Löslichkeit von Zuckeralkoholen in ionischen Flüssigkeiten. Sci Rep 13, 12161 (2023). https://doi.org/10.1038/s41598-023-39441-7

Zitat herunterladen

Eingegangen: 17. Mai 2023

Angenommen: 25. Juli 2023

Veröffentlicht: 27. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-39441-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.