Artificial neural network for the prediction of physical properties of organic compounds based on the group contribution method
Notice bibliographique
Résumé
Abstract In the development and optimization of chemical processes involving the selection of organic fluids, knowledge of the physical properties of compounds is vital. In many cases, it is complex to find experimental measurements for all substances, so it becomes necessary to have a tool to predict properties based on the characteristics of the molecule. One of the most extensively used methods in the literature is the estimation by contribution of functional groups, where properties are calculated using the constituent elements of the molecule. There are several models published in the literature, but they fail to represent a wide variety of compounds with high accuracy and simultaneously maintain a low computational complexity. The aim of this work is to develop a prediction model for eight thermodynamic properties (melting temperature, boiling temperature, critical pressure, critical temperature, critical volume, enthalpy of vaporization, enthalpy of fusion, and enthalpy of gas formation) based on the group contribution methodology by implementing a multilayer perceptron. Here, 2736 substances were used to train the neural network, whose prediction capacity was compared with other reference models available in the literature. The proposed model presents errors ranging from 1% to 5% for the different properties (except for the melting point), which improves the reference models with errors in the range of 3%–30%. Nevertheless, a difficulty in the prediction of the melting point is detected, which could represent an inherent hindrance to this methodology.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».