INTELIGENCIA ARTIFICIAL PARA LA PREDICCIÓN DE PROPIEDADES TERMOQUÍMICAS: UNA APLICACIÓN

Fernanda  Saviñon-Flores; Miguel Ángel  García-Castro; Esmeralda  Vidal Robles; Jesús Andrés  Arzola Flores

doi:10.32399/icuap.rdic.2448-5829.2024.30.1429

Autores/as

Fernanda Saviñon-Flores Facultad de Ingeniería Química, BUAP. https://orcid.org/0009-0005-9242-0655
Miguel Ángel García-Castro Facultad de ingeniería Química, Benemérita Universidad Autónoma de Puebla https://orcid.org/0000-0003-4459-873X
Esmeralda Vidal Robles Facultad de ingeniería Química, Benemérita Universidad Autónoma de Puebla https://orcid.org/0000-0001-8143-0878
Jesús Andrés Arzola Flores Facultad de ingeniería Química, Benemérita Universidad Autónoma de Puebla https://orcid.org/0000-0001-9839-982X

DOI:

https://doi.org/10.32399/icuap.rdic.2448-5829.2024.30.1429

Palabras clave:

Inteligencia artificial, conjunto de datos, machine learning, predicción, propiedades termoquímicas

Resumen

La inteligencia artificial (IA) está cambiando el modo de ver la tecnología a nivel mundial. Desde su aplicación en los diversos asistentes de voz hasta su uso en apps en teléfonos celulares, la IA es un tema que está tomando gran relevancia debido a los beneficios que ha mostrado en el avance tecnológico de diversos sectores de la industria y la ciencia. Además, del procesamiento de lenguaje natural, la visión computacional y la robótica, dos de las ramas más relevantes de la IA son el machine learning o aprendizaje automático y el deep learning o aprendizaje profundo. En general, el objetivo común es la predicción de valores u objetos a partir del uso de datos. Estas dos ramas pueden abordar problemas de regresión, clasificación y agrupamiento, es decir, son capaces de predecir variables cuantitativas y cualitativas, así como agruparlas de acuerdo a características similares. Dentro de las variables cuantitativas de interés predictivo en el área de la termodinámica (de manera directa) y de la ingeniería química (como aplicación), están las propiedades termoquímicas, de las cuales una de las que ha destacado por su importancia es la entalpía de combustión. En la actualidad, es posible obtener valores de entalpía de combustión con diferentes técnicas tales como la calorimetría de combustión (técnica experimental), métodos de estimación (técnica semiempírica) y, en la última década, el machine learning (técnica teórica). Siendo esta última la que ha logrado captar el interés en la comunidad científica debido a su impacto en diversas áreas del conocimiento, incluyendo la termodinámica, ya que permite predecir propiedades termoquímicas como la entalpía de combustión de diversos compuestos químicos.

Citas

Abdul Jameel, A. G., Al-Muslem, A., Ahmad, N., Alquaity, A. B., Zahid, U., Ahmed, U. (2022). Predicting Enthalpy of Combustion Using Machine Learning. Processes, 10(11), 2384.

Arzola-Flores, J. A., González, A. L. (2020). Machine learning for predicting the surface plasmon resonance of perfect and concave gold nanocubes. The Journal of Physical Chemistry C, 124(46), 25447-25454.

Berzal, F. (2018). Redes neuronales & deep learning: Volumen I. Independently published.

Constantinou, L., Gani, R. (1994). New group contribution method for estimating properties of pure compounds. AIChE Journal, 40(10), 1697-1710.

Downing, K. L. (2015). Intelligence emerging: adaptivity and search in evolving neural systems. MIT Press.

Faber, F. A., Hutchison, L., Huang, B., Gilmer, J., Schoenholz, S. S., Dahl, G. E., von Lilienfeld, O. A. (2017). Prediction errors of molecular machine learning models lower than hybrid DFT error. The Journal of chemical physics, 147(3), 1-18.

Hansen, K., Montavon, G. (2019). Machine learning for the prediction of molecular properties. John Wiley & Sons.

Holmes, J. L., Aubry, C. (2012). Group additivity values for estimating the enthalpy of formation of organic compounds: an update and reappraisal. 2. C, H, N, O, S, and halogens. The Journal of Physical Chemistry A, 116(26), 7196-7209.

Jensen, F. (2017). Introduction to computational chemistry. John Wiley & Sons.

Johnson, R. P. (2003). Estimating thermodynamic properties of organic compounds. Journal of Chemical Education, 80(11), 1277.

Kim, M. J., Kim, J., Kim, K. (2020). The effect of molecular structure on the glass transition temperature and enthalpy of organic compounds. Journal of Molecular Liquids, 304, 112783.

Konkova, T. S., Matyushin, Y. N., Miroshnichenko, E. A., Vorobev, A. B., Palysaeva, N. V., Sheremetev, A. B. (2020). Thermochemical Properties of [1, 2, 4] Triazolo [4, 3-b]-[1, 2, 4, 5] tetrazine Derivatives. Russian Journal of Physical Chemistry B, 14(1), 69-72.

López-Badillo, M., García-Castro, M. A., Galicia-Aguilar, J. A., Aranda-García, R. J., Galicia-Hernández, E., Velasco-Hernández, M. A. (2021). Experimental Standard Enthalpies of Formation of 4, 4'-Methylenedi (phenylene isocyanate) and Polyamide-imides. Russian Journal of Physical Chemistry B, 15(2), S201-S208.

Miao, X., Zhang, J. (2018). Thermodynamic properties of several organic compounds by calorimetry and quantum chemical calculations. Journal of Chemical Thermodynamics, 126, 151-156.

Müller, A. C., Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".

Ramakrishnan, R., Dral, P. O., Rupp, M., von Lilienfeld, O. A. (2015). Quantum chemistry structures and properties of 134 kilo molecules. Scientific data, 2(1), 1-12.

Székely, G., Papp, F. (2019). Determination of the enthalpy of combustion of some organic compounds by calorimetry. Journal of Chemical Education, 96(6), 1242-1246.

INTELIGENCIA ARTIFICIAL PARA LA PREDICCIÓN DE PROPIEDADES TERMOQUÍMICAS: UNA APLICACIÓN

Autores/as

DOI:

Palabras clave:

Resumen

Citas

Descargas

Publicado

Cómo citar

Número

Sección

Licencia