Breaking barriers in surface tension prediction of aqueous organics: A Hansen parameter-based machine learning model optimized with a genetic algorithm
Notice bibliographique
Résumé
A practical and generalizable machine learning model was developed to predict the surface tension of aqueous organic solutions, relevant to a wide range of applications, including CO 2 capture, pharmaceuticals, membranes, and energy. Aqueous solutions of various organic compounds—such as alcohols, acids, amines, surfactants, and sophorolipids—were used to train a multilayer perceptron artificial neural network (MLPANN), a powerful machine learning tool. To balance simplicity and accuracy, the network’s architecture was optimized using a genetic algorithm, rather than relying on traditional or non-traditional calculation methods. Furthermore, to enhance practicality, in addition to essential variables such as temperature, composition, and molecular weight, only the Hansen solubility parameters (HSPs) of water and the organic component were used as inputs. The proposed approach successfully correlated 319 training data points, yielding an average absolute relative deviation (AARD) of 2.61 %. In prediction mode, it achieved an AARD of 3.53 % for 66 testing data points, demonstrating robust predictive accuracy. Its extrapolation capability was further validated on the unseen monoethanolamine (MEA) + water system, where it achieved an AARD of 2.41 % across a broad range of temperatures and compositions. This approach presents a practical and novel solution for predicting the surface tension of any aqueous organic solution, striking an optimal balance between simplicity, accuracy, and generality. Its capacity to handle both pure and binary mixtures with minimal input makes it easily extendable to ternary and multicomponent systems. Furthermore, it offers valuable insights for the modeling of other thermophysical properties.
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 | 0,001 |
| 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 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 ».