Estás leyendo la publicación: Investigadores de KAUST proponen un marco de inteligencia artificial (IA) basado en datos para diseñar combustibles líquidos que muestren propiedades personalizadas para aplicaciones de motores de combustión para mejorar la eficiencia…
El diseño de combustible de alto rendimiento es esencial para crear sistemas de motores más eficientes y de combustión más limpia. Para aumentar la eficiencia y reducir las emisiones de carbono al diseñar combustibles líquidos para aplicaciones de motores de combustión, presentan un marco de inteligencia artificial (IA) basado en datos. El enfoque de diseño de combustible es un desafío de optimización limitado que combina dos componentes:
- Un modelo de aprendizaje profundo (DL) para pronosticar los atributos de componentes individuales y mezclas.
- Algoritmos de búsqueda para moverse rápidamente por el espacio químico.
Su método incorpora el operador de mezcla (MO) en la arquitectura de red y proporciona el vector oculto de mezcla como una combinación lineal de los vectores de cada componente individual en cada combinación.
Muestran que el modelo DL predice los atributos de los componentes puros con una precisión comparable a las técnicas computacionales rivales, mientras que la herramienta de búsqueda puede producir una variedad de combinaciones de combustible candidatas. El marco integrado se evaluó para demostrar el desarrollo de combustible de alto octanaje y bajo nivel de humo que cumple con los requisitos de especificación de gasolina. Usando un enfoque de diseño de combustible de IA, las composiciones de combustible pueden desarrollarse rápidamente para aumentar la eficiencia del motor y reducir las emisiones.
La mayor parte del aumento de las temperaturas globales puede atribuirse a las emisiones de gases de efecto invernadero. La combustión de combustibles de hidrocarburos, como la gasolina, que impulsa la mayoría de los motores de vehículos, es una fuente importante de emisiones de CO2. La ingeniería de combustibles de transporte con mayor eficiencia y emisiones de carbono reducidas es una respuesta viable a estos problemas ambientales.
Se han desarrollado numerosos métodos para la selección de combustible; sin embargo, normalmente solo se prueban en mezclas más pequeñas o requieren un preprocesamiento adicional, lo que hace que estas combinaciones no sean adecuadas para el diseño de combustible inverso. Según el grupo de investigación, “el cuello de botella clave es la selección de grandes mezclas que involucran cientos de componentes para pronosticar los efectos sinérgicos y antagónicos de las especies en los atributos de la combinación resultante”.
Para filtrar de manera efectiva, el investigador construyó un modelo de aprendizaje profundo que consta de numerosas redes más pequeñas dedicadas a tareas particulares. Según un investigador, “este problema encajaba perfectamente con el aprendizaje profundo, que permite capturar interacciones no lineales entre especies”. Los investigadores utilizaron el método de diseño inverso para identificar posibles combustibles definiendo primero las características relacionadas con la combustión, como la calidad de ignición del combustible y la propensión al hollín.
Los investigadores crearon una base de datos considerable para entrenar el modelo usando medidas experimentales de la literatura. La base de datos incluía todo tipo de sustancias puras, mezclas de combustibles sustitutos y mezclas complejas, como la gasolina.
Los investigadores tuvieron que incorporar representaciones vectoriales en el modelo porque ningún modelo podía modificarse para el diseño de combustible inverso. Crearon un operador de mezcla que conecta directamente términos ocultos de compuestos puros y mezclas a través de combinaciones lineales. Este operador de mezcla se inspiró en los métodos de procesamiento de texto que utilizan vectores ocultos para conectar palabras a frases. También incluyeron algoritmos de búsqueda para encontrar mezclas de combustible dentro de un espacio químico que coincidieran con los parámetros predefinidos.
El modelo predijo correctamente la calidad de ignición del combustible y la propensión al hollín de diferentes moléculas y mezclas. Además, encontró varias mezclas de gasolina que cumplían con los estándares predeterminados.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Diseño de mezclas de combustibles basado en inteligencia artificial‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
