이온성 액체에서 당알코올의 용해도 모델링에 기계 학습 기술 적용

Scientific Reports 13권, 기사 번호: 12161(2023) 이 기사 인용

436 액세스

측정항목 세부정보

현재 화학산업의 추세는 친환경 가공을 요구하고 있으며, 특히 설탕 유래 화합물과 같은 천연 물질을 사용하는 경우가 많습니다. 이 문제로 인해 학계 및 산업계에서는 이러한 물질을 추출하기 위한 새로운 대안을 모색하게 되었습니다. 이온성 액체(IL)는 현재 효율적인 추출 공정을 위한 길을 닦고 있습니다. 이를 위해서는 용해도 데이터의 정확한 추정이 매우 중요합니다. 이 연구는 IL의 당 알코올(SA)의 용해도 데이터를 모델링하기 위해 기계 학습 방법을 사용합니다. 초기 관련성 분석에서는 SA-IL 평형이 IL의 온도, 밀도 및 분자량뿐만 아니라 SA의 분자량, 융합 온도 및 융합 엔탈피에 의해 좌우된다는 것이 승인되었습니다. 또한 온도와 융합 온도는 IL의 SA 용해도에 가장 큰 영향을 미칩니다. IL의 SA 용해도를 예측하기 위한 인공 신경망(ANN), 최소 제곱 지원 벡터 회귀(LSSVR) 및 적응형 신경 퍼지 추론 시스템(ANFIS)의 성능을 대규모 데이터뱅크(19개 SA의 647개 데이터 포인트 및 21 IL). 조사된 모델 중 ANFIS는 평균 절대 상대 편차(AARD%)가 7.43%, 결정 계수(R2)가 0.98359로 최고의 정확도를 제공했습니다. ANFIS 모델의 최고 성능은 데이터뱅크의 85%로 훈련했을 때 클러스터 중심 반경 0.435에서 얻어졌습니다. 레버리지 방법을 기반으로 한 ANFIS 모델에 대한 추가 분석을 통해 이 모델은 높은 적용 범위와 광범위한 적용 가능성으로 인해 충분히 신뢰할 수 있는 것으로 나타났습니다. 따라서 이 모델은 IL에서 SA의 용해도를 모델링하는 데 효과적으로 활용될 수 있습니다.

바이오매스 자원은 화학 합성 및 에너지 전달을 위한 기존 자원에 대한 실행 가능한 풍부하고 친환경적이며 재생 가능하고 지속 가능한 대안입니다. 이러한 전환은 추출 가능한 화석 연료의 양을 줄이고 환경 규제를 강화하며 바이오매스 전환 가격을 안정화함으로써 더욱 심화됩니다1,2,3,4. 이 이정표를 달성하기 위한 주요 방법은 리그노셀룰로오스 바이오매스5,6,7의 전환에서 비롯됩니다. 다양한 물질이 직접 또는 간접적인 리그노셀룰로오스 전환을 통해 합성될 수 있으므로 그 중 설탕과 당 알코올(SA)이 큰 관심을 끌고 있습니다8,9,10.

폴리올이라고도 알려진 SA는 비고리형 수소화 탄수화물로 구성됩니다11. 고유한 구조와 기능 그룹의 밀도 덕분에 SA는 제약, 식품 산업 및 화학 공정12에서 높은 인기를 얻었습니다. SA는 기존 설탕과 유사하거나 훨씬 더 나은 특성을 지닌 식품 성분도 고려했습니다13. 또한, 놀라운 기능적 특성과 건강상의 장점으로 인해 제약 응용 분야에서 점점 더 많이 활용되고 있습니다. SA는 대략 소량으로 존재함에도 불구하고 2022년에 전 세계적으로 최대 1.9×106미터톤까지 소비되었습니다11,14. 이는 SA의 속성과 동작을 예측하기 위한 신뢰할 수 있는 접근 방식을 개발하는 것이 중요함을 정당화합니다. 바이오리파이너리를 통한 SA 처리에는 바이오매스를 전처리 또는 용해하고, 적절한 반응 매체를 제공하고, 설탕을 중간체 또는 최종 제품으로 전환시키는 효율적인 용매가 필요합니다15,16.

이를 위해 물, 유기용매, 산, 염기, 이온성 액체(IL)17 등 다양한 특성을 지닌 많은 용매가 제안되었습니다. IL은 광범위한 온도에서 액체 상태와 비휘발성을 제공할 뿐만 아니라 높은 열 안정성과 놀라운 용해도의 이점도 제공합니다. 이러한 특성으로 인해 기존 용매와 관련된 다양한 운영 문제18를 극복할 수 있는 잠재적으로 매력적인 도구가 되었습니다. IL의 다양성으로 인해 음이온/양이온 쌍을 적절하게 조정하여 IL의 특징, 열화학적 특성 및 용매화력을 설계할 수 있습니다.