کاربرد روش ماشین یادگیری QSPR در پیش بینی ضریب توزیع نرنست ترکیباتگوگردی در فرایند گوگردزدایی از سوخت با مایعات یونی
- سال انتشار: 1401
- محل انتشار: اولین همایش بین المللی هوش مصنوعی، علم داده و تحول دیجیتال در صنعت نفت و گاز
- کد COI اختصاصی: OILANDGAS01_006
- زبان مقاله: فارسی
- تعداد مشاهده: 200
نویسندگان
دکتری مهندسی شیمی، دانشگاه علم و صنعت ایران
دانشیار، دانشگاه علم و صنعت ایران
چکیده
حضور ترکیبات گوگردی در سوخت ها، منجر به ایجاد مزاحمت هایی در بخش انتقال و مصرف سوخت می شود. لذا، فرایندگوگردزدایی استخراجی از سوخت ها با استفاده از مایعات یونی می تواند مرکز توجهات بسیاری از محققان گردد. در این مطالعهسعی شده است تا با کمک داده های تجربی ضریب توزیع نرنست ترکیبات گوگردی بین فازهای غنی از مایعات یونی و غنیاز حلال هیدروکربنی، مدلی پیش بینی کننده مبتنی بر الگوریتم ماشین یادگیری در جهت پیش بینی این خاصیت توسعه دادهشود. این ماشین یادگیری، رابطه کمی ساختار-ویژگی QSPR است. قبل از محاسبه توصیف کننده ها، هر یک ازساختارهای ترکیبات گوگردی با تئوری تابع چگالی DFT و بر پایه B۳LYP و ++ G (d,p) ۳۱۱-۶ به کمک نرم افزارگائوسین بهینه شدند. بر اساس مدل به دست آمده، مشخص شده است که از بین تعداد زیادی توصیف کننده مولکولی ازساختارهای ترکیبات گوگردی، تنها یک توصیف کننده ساختاری با این خاصیت موردمطالعه رابطه کمی و کیفی دارد. ضریب تعیین مدل به دست آمده برابر ۴۰/۹۳ = ۲R می باشد. داده های پیش بینی شده با داده های تجربی مطابقت خوبی داشتند.توصیف کننده مولکولی از نوع نمایش سه بعدی مولکولی از ساختار که بر پایهی پراش الکترونی می باشد. با این توصیف کنندهپیش بینی خاصیت موردمطالعه برای ساختارهای جدیدی از ترکیبات گوگردی امکان پذیر استکلیدواژه ها
گوگردزدایی استخراجی، یادگیری ماشین، رابطه کمی ساختار-ویژگی QSPR ، مایعات یونی، ضریب توزیعنرنست nKمقالات مرتبط جدید
- مقایسه دبی سنج های مجازی مبتنی بر فیزیک و مبتنی بر داده در تخمین دبی جریان چاه نفت
- سیستم مدیریت ایمنی،بهداشت و محیط زیست
- Comparing three Different Approaches for Interpreting Schlumberger Sounding Data to Enhance Aquifer Characterization Efficiency
- Numerical modeling of casing failure prediction in Offshore Gas Field
- استقرار سیستم مدیریت ایمنی، بهداشت و محیط زیست بر خطرات شغلی و خودکارآمدی کارگران خط انتقال گاز
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.