Une détermination précise des propriétés du carburant des mélanges complexes dans une large gamme de conditions de pression et de température est essentielle à l'utilisation de carburants de substitution. Le présent travail vise à construire des modèles d'apprentissage automatique (ML) bon marché pour agir comme des équations de fermeture pour prédire les propriétés physiques des carburants alternatifs. Ces modèles peuvent être formés à l'aide de la base de données à partir de simulations MD et/ou de mesures expérimentales dans une approche de fusion-fidélité des données. Ici, le processus gaussien (GP) et les modèles probabilistes génératifs sont adoptés. La GP est une approche bayésienne non paramétrique populaire pour construire des modèles de substitution principalement en raison de sa capacité à gérer les incertitudes aléatoires et épistémiques. Les modèles génératifs ont montré la capacité des réseaux de neurones profonds employés avec la même intention. Dans ce travail, l'analyse ML se concentre sur deux propriétés particulières, la densité et la diffusion du carburant, mais elle peut également être étendue à d'autres propriétés physico-chimiques. Cette étude explore la polyvalence des modèles ML pour gérer les données multi-fidélité. Les résultats montrent que les modèles ML peuvent prédire avec précision les propriétés du carburant dans une large gamme de conditions de pression et de température.

La determinación precisa de las propiedades del combustible de mezclas complejas en una amplia gama de condiciones de presión y temperatura es esencial para utilizar combustibles alternativos. El presente trabajo tiene como objetivo construir modelos de aprendizaje automático (ML) de bajo costo para actuar como ecuaciones de cierre para predecir las propiedades físicas de los combustibles alternativos. Esos modelos se pueden entrenar utilizando la base de datos de simulaciones MD y/o mediciones experimentales en un enfoque de fidelidad de fusión de datos. Aquí, se adoptan el proceso gaussiano (GP) y los modelos generativos probabilísticos. GP es un enfoque bayesiano no paramétrico popular para construir modelos sustitutos principalmente debido a su capacidad para manejar las incertidumbres aleatorias y epistémicas. Los modelos generativos han demostrado la capacidad de las redes neuronales profundas empleadas con la misma intención. En este trabajo, el análisis de ML se centra en dos propiedades particulares, la densidad del combustible y la difusión, pero también se puede extender a otras propiedades fisicoquímicas. Este estudio explora la versatilidad de los modelos de ML para manejar datos de fidelidad múltiple. Los resultados muestran que los modelos ML pueden predecir con precisión las propiedades del combustible de una amplia gama de condiciones de presión y temperatura.

Accurate determination of fuel properties of complex mixtures over a wide range of pressure and temperature conditions is essential to utilizing alternative fuels. The present work aims to construct cheap-to-compute machine learning (ML) models to act as closure equations for predicting the physical properties of alternative fuels. Those models can be trained using the database from MD simulations and/or experimental measurements in a data-fusion-fidelity approach. Here, Gaussian Process (GP) and probabilistic generative models are adopted. GP is a popular non-parametric Bayesian approach to build surrogate models mainly due to its capacity to handle the aleatory and epistemic uncertainties. Generative models have shown the ability of deep neural networks employed with the same intent. In this work, ML analysis is focused on two particular properties, the fuel density and diffusion, but it can also be extended to other physicochemical properties. This study explores the versatility of the ML models to handle multi-fidelity data. The results show that ML models can predict accurately the fuel properties of a wide range of pressure and temperature conditions.

يعد التحديد الدقيق لخصائص الوقود للمخاليط المعقدة على نطاق واسع من ظروف الضغط ودرجة الحرارة أمرًا ضروريًا لاستخدام الوقود البديل. يهدف العمل الحالي إلى بناء نماذج رخيصة للتعلم الآلي (ML) لتكون بمثابة معادلات إغلاق للتنبؤ بالخصائص الفيزيائية للوقود البديل. يمكن تدريب هذه النماذج باستخدام قاعدة البيانات من محاكاة MD و/أو القياسات التجريبية في نهج دقة دمج البيانات. هنا، يتم اعتماد العملية الغاوسية (GP) والنماذج التوليدية الاحتمالية. الممارس العام هو نهج شعبي غير باراميتري لبناء نماذج بديلة ويرجع ذلك أساسا إلى قدرته على التعامل مع الشكوك الغريبة والمعرفية. أظهرت النماذج التوليدية قدرة الشبكات العصبية العميقة المستخدمة بنفس القصد. في هذا العمل، يركز تحليل التعلم الآلي على خاصيتين معينتين، كثافة الوقود وانتشاره، ولكن يمكن أن يمتد أيضًا إلى خصائص فيزيائية كيميائية أخرى. تستكشف هذه الدراسة تنوع نماذج التعلم الآلي للتعامل مع البيانات متعددة الدقة. تظهر النتائج أن نماذج التعلم الآلي يمكنها التنبؤ بدقة بخصائص الوقود لمجموعة واسعة من ظروف الضغط ودرجة الحرارة.