Refrigeration Engineering and Technology

ISSN-print: 0453-8307
ISSN-online: 2409-6792
ISO: 26324:2012
Архiви

EN Машинне навчання для властивостей холодоагентів

##plugins.themes.bootstrap3.article.main##

С.В. Артеменко
https://orcid.org/0000-0002-1398-1472
В.О. Мазур

Анотація

Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріїв

Ключові слова:
Машинне навчання, Холодоагенти, Прогнозування азеотропного стану, Штучні нейронні мережі, Глобальна фазова діаграма, Органічний цикл Ренкіна, Коефіцієнт продуктивності, Коефіцієнт перетворення, Термодинамічні властивості

##plugins.themes.bootstrap3.article.details##

Як цитувати
Артеменко, С., & Мазур, В. (2021). EN Машинне навчання для властивостей холодоагентів. Refrigeration Engineering and Technology, 57(3), 138-146. https://doi.org/10.15673/ret.v57i3.2164
Розділ
ХОЛОДИЛЬНА ТЕХНІКА ТА ЕНЕРГОТЕХНОЛОГІЇ

Посилання

1. Joss, L., Müller, E. (2019). Machine Learning for Fluid Property Correlations: Classroom Examples with MATLAB. Journal of Chemical Education, 96(4), 697. https://doi.org/10.1021/acs.jchemed.8b00692.
2. Zhu, K., Müller, E.A. (2020). Generating a Machine-Learned Equation of State for Fluid Properties. Journal Physical Chemistry B, 124(39), 8628–8639. https://doi.org/10.1021/acs.jpcb.0c05806.
3. Ferguson, A. (2018). Machine learning and data science in soft materials engineering. Journal of Physics: Condensed Matter, 30(4), 043002. https://doi.org/10.1088/1361-648X/aa98bd.
4. Alves, F., Vandermeulen, J., Bamler, R., Bort, M., Mandt, S., Kloft, M., Hasse, H. (2020). Machine Learning in Thermodynamics: Prediction of Activity Coefficients by Matrix Completion. Journal Physical Chemistry Letter, 11(3), 981–985. https://doi.org/10.1021/acs.jpclett.9b03657.
5. Ward, L., Agrawa, A., Choudhary, A., Wolverton, K. (2016) A general-purpose machine learning framework for predicting properties of inorganic materials. Computational Materials, 2, 16028. https://doi.org/10.1038/npjcompumats.2016.28.
6. Coley, C., Green, W., Klavs F. Jensen, K. (2018). Machine Learning in Computer-Aided Synthesis Planning. Accounts of Chemical Research, 51(5), 1281-1289.https://doi.org/10.1021/acs.accounts.8b00087.
7. Sarma, S., Deng, D.L., Duan, L.M. (2019). Machine learning meets quantum physics. Physics Today, 72(3), 48. https://doi.org/10.1063/PT.3.4164.
8. Ferguson, A., Hachmann, J., Miller, T., Pfaendtne, J. (2020). The Journal of Physical Chemistry A/B/C Virtual Special Issue on Machine Learning in Physical Chemistry. Journal Physical Chemistry, A, 124, 44, 9113–9118. https://doi.org/10.1021/acs.jpca.0c09205.
9. Middleton, C. (2019). Machine learning improves image restoration. Physics Today, 72(2), 17. https://doi.org/10.1063/PT.3.4128.
10. Ma, T., Guo, Z., Lin, M., Wang, Q. (2021). Recent trends on nanofluid heat transfer machine learning research applied to renewable energy. Renewable and Sustainable Energy Reviews, 138, 110494. https://doi.org/10.1016/j.rser.2020.110494.
11. Van Konynenburg, P., Scott, R. (1980) Critical lines and phase equilibria in binary van der Waals mixtures. Philosophical Transactions of the Royal Society of London, Series A: Mathematical, Physical and Engineering Sciences, 298, 495 540. https://doi.org/10.1098/rsta.1980.0266.
12. Aicardi, F., Valentin, P., Ferrand, E. (2002) On the classification of generic phenomena in one-parameter families of thermodynamic binary mixtures. Physical Chemistry Chemical Physics, 4, 884-895. https://doi.org/ 10.1039/b109105k.
13. Redlich, O., Kwong, J.N.S. (1949) On the Thermodynamics of Solutions. Chemical Reviews, 44, 233-244. https://doi.org/10.1021/cr60137a01376.
14. Artemenko, S., Mazur, V. (2007) Azeotropy in the natural and synthetic refrigerant mixtures. International Journal of Refrigeration, 30, 831-839. https://doi.org/10.1016/j.ijrefrig.2006.11.010.
15. Deiters, U.K., Kraska, T. (2018) High-Pressure Fluid Phase Equilibria: Phenomenology and Computation. Elsevier; 370. ISBN: 9780444563545.
16. Kolafa, J. (1999) Azeotropic phenomena in the global phase diagram of the Redlich-Kwong equation of state. Physical Chemistry Chemical Physics, 1, 5665-5670. https://doi.org/10.1039/A906114B.
17. Patel, K., Sunol, A. (2009) Automatic generation of global phase equilibrium diagrams for binary systems from equations of state. Computers and Chemical Engineering, 3, 1793. https://doi.org/10.1016/j.compchemeng.
18. McLinden, M., Huber, M. (2020). Evolution of Refrigerants. Journal of Chemical & Engineering Data, 65(9), 4176-4193. https://doi.org/10.1021/acs.jced.0c00338.