利用实验数据比较不同机器学习方法预测磷酸三丁酯混合物黏度
计算物理
2023-11-10 v1 数据分析、统计与概率
摘要
磷酸三丁酯（TBP）是一种溶剂，常用于核工业和化学工业等多种行业，因其能够溶解和纯化各种无机酸和金属。它常用于湿法冶金工艺中以分离和纯化这些物质。机器学习模型为预测 TBP 混合物黏度提供了一种超越传统方法的有前景的替代方案。通过在黏度测量数据集上训练机器学习模型，可以准确预测不同组成、密度和温度下的 TBP 混合物黏度，从而节省时间和资源并降低接触有毒溶剂的风险。本文旨在提出机器学习（ML）技术，利用实验数据自动预测 TBP 混合物的黏度。为便于比较，我们训练了五种不同的 ML 算法，包括支持向量回归（SVR）、随机森林（RF）、逻辑回归（LR）、梯度提升决策树（XGBoost）和神经网络（NN）。我们共收集了 511 组 TBP 混合物基于温度的密度测量数据，在不同组成下，包含己烷、十二烷、环己烷、正庚烷、甲苯和乙基苯，测量温度为 T = (288.15, 293.15, 298.15, 303.15, 308.15, 313.15, 318.15, 323.15, 328.15) K。结果表明，隐藏层具有 25 和 50 个神经元的 NN 模型可对 TBP 混合物体系实现最佳黏度预测。NN 模型在测试集上以 0.157% 的均方误差（MSE）和 99.72% 的调整后 R2 优于其他常规 ML 模型。本文证明 NN 模型可作为准确预测 TBP + 乙基苯黏度的合适选择，偏差幅度低至 0.049%。
引用
@article{arxiv.2311.02522,
title = {Comparison of Different Machine Learning Approaches to Predict Viscosity of Tri-n-Butyl Phosphate Mixtures Using Experimental Data},
author = {Faranak Hatami and Mousa Moradi},
journal= {arXiv preprint arXiv:2311.02522},
year = {2023}
}