On the Design of Molten Salt Chemistry for Different Industrial Applications

Les mélanges de nitrates fondus sont désormais largement utilisés comme fluides industriels et moyens de stockage d’énergie, ce qui rend la compréhension de leurs propriétés thermo-physiques essentielle dans la conception d’applications industrielles. Dans les applications industrielles, la fluidité du sel fondu et sa capacité à absorber et à transférer la chaleur sont très importantes. Par conséquent, nous nous concentrons sur leur viscosité et leur ca-pacité thermique spécifique. En raison de la difficulté des mesures à haute température et du manque de description précise des modèles physiques de Cp et de viscosité pour les sels fondus multicomposants, il est devenu une tendance récente d’incorporer des techniques informatiques pour prédire ces propriétés. Cette étude examine l’utilisation de modèles d’apprentissage automatique pour prédire la ca-pacité thermique spécifique et la viscosité des sels fondus. L’objectif principal est de dévelop-per des modèles prédictifs d’apprentissage automatique précis et fiables pour les sels fondus de nitrate afin d’aider à la conception et à l’optimisation des applications industrielles. Le jeu de données comprend les températures et les concentrations de différents mélanges de sels fon-dus de nitrate. La recherche emploie divers modèles d’apprentissage automatique, y compris Artificial Neural Network (ANN), Decision Tree (DT), Random Forest (RF), Boosted Regres-sion Tree (BRT), Adaptive Boosting (ABR), Support Vector Machine (SVM), et Extra Trees Regressor (ETR). Chaque modèle est entraîné avec des combinaisons d’hyperparamètres op-timales, évalué et optimisé en utilisant des métriques de performance appropriées telles que le score R2, MSE, RMSE, MAPE, et U95%. De plus, l’étude explore les avantages et les inconvénients de chaque modèle, en soulignant leur applicabilité à différents scénarios. Comparé au modèle traditionnel de réseau neuronal (ANN), le modèle d’apprentissage automatique en ensemble présente une bonne capacité de généralisation, réduit structurellement l’occurrence du phénomène de surapprentissage et offre de meilleures performances dans la prédiction de la viscosité. Parmi eux, le modèle BRT présente les meilleures performances en termes de qualité d’ajustement et de précision des résultats de prédiction. Pour Cp, le modèle d’apprentissage automatique présente des résultats de prédiction relativement pauvres en raison du manque de volume de données. Le modèle DT a la meilleure performance par rapport aux autres modèles d’apprentissage automatique en ensemble.