Prediction of Solubilities of Solid Biomolecules in Modified Supercritical Fluids Using Group Contribution Methods and Equations of State
Notice bibliographique
Résumé
A method to predict the solubilities of biomolecules in supercritical fluids (SCF) with cosolvents was developed, and predictions were compared with experimental data available in the literature. The method used the Constantinou−Gani and Joback group contribution methods to estimate pure component solute properties and the Lee−Kesler−Plöcker (LKP) and Mohsen-Nia−Moddaress−Mansoori (MMM) equations of state (EOS) to determine solute solubilities in the ternary solute−SCF−cosolvent systems. The ternary systems were modeled as pseudobinary systems with the SCF−cosolvent binary pair being modeled as a single pseudocomponent using Kay’s mixing rule to estimate the pseudocomponent properties. Twenty-one (21) systems consisting of polar and nonpolar solutes and cosolvents were evaluated over a range of temperatures, pressures, and cosolvent concentrations. The results demonstrated that both the LKP and MMM EOS are useful for modeling the solubility of solids in supercritical fluids (SCF) with cosolvents. When the Aromaticity index (AI) was less than or equal to 0.3, the MMM EOS was found to be more suitable; otherwise the LKP EOS was found to provide the best fit. If this so-called AI criterion was used, the average error between predicted and experimental results ranged from 0.5 to 25.5% with an average of 10.0% for the 21 systems studied. However, when the AI criterion was not followed, the error between predicted and experimental results ranged from 9.6 to 99% with an average of 69.0%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».