L'apprendimento automatico simbolico migliora le previsioni di equilibrio liquido-vapore per miscele idrocarburi-azoto
Un nuovo preprint arXiv (2608.11255) introduce un approccio di apprendimento automatico simbolico per migliorare le previsioni di equilibrio liquido-vapore (VLE) per miscele binarie idrocarburi-azoto. Il metodo corregge l'equazione di stato di Peng-Robinson (PR-EOS) utilizzando espressioni simboliche interpretabili derivate da dati sperimentali. La strategia a due livelli identifica prima le correzioni simboliche per i singoli sistemi di idrocarburi, quindi modella i coefficienti come funzioni del numero di atomi di carbonio per generalizzare su diversi idrocarburi. I risultati mostrano un'accuratezza significativamente migliorata rispetto alla PR-EOS originale per tutti i sistemi testati. Il lavoro affronta la sfida della previsione accurata del VLE su un'ampia gamma di composizioni e lunghezze di catena degli idrocarburi, offrendo un equilibrio tra l'interpretabilità delle equazioni di stato classiche e l'accuratezza dei modelli di deep learning.
Fatti principali
- L'articolo è disponibile su arXiv con ID 2608.11255.
- L'approccio utilizza l'apprendimento automatico simbolico per scoprire correzioni all'equazione di stato di Peng-Robinson.
- Il metodo impiega una strategia a due livelli: espressioni simboliche per singolo sistema, poi coefficienti come funzioni del numero di atomi di carbonio.
- I risultati mostrano una migliore accuratezza di previsione rispetto alla PR-EOS originale per i sistemi idrocarburi-azoto.
- Il lavoro mira alla previsione del VLE per miscele binarie idrocarburi-azoto.
- L'approccio mira a fornire espressioni analitiche interpretabili.
- Lo studio copre un'ampia gamma di composizioni e lunghezze di catena degli idrocarburi.
- L'articolo è stato annunciato come nuova sottomissione su arXiv.
Entità
Istituzioni
- arXiv