Modeling and prediction of the thermal conductivity of ionic liquids using FLAML as an automated machine learning approach

• Iván O. Almanza-Stable ^[1] ; Deyssy S. Rivera Castillo ^[1] ; Alejandro Valdés López ^[2] ; Ranyart R. Suárez Ponce de León ^[3]
  1. [1] Tecnológico Nacional de México

     Tecnológico Nacional de México

     México

     
  2. [2] Universidad Autónoma de San Luis Potosí

     Universidad Autónoma de San Luis Potosí

     México

     
  3. [3] Instituto Nacional de Estadística y Geografía

     Instituto Nacional de Estadística y Geografía

     México

     

  Mostrar afiliaciones +
• Localización: Afinidad: Revista de química teórica y aplicada, ISSN 0001-9704, Vol. 82, Nº. 606, 2025, págs. 459-470
• Idioma: varios idiomas
• Títulos paralelos:
  • Modelització i predicció de la conductivitat tèrmica de líquids iònics utilitzant FLAML com a enfocament d’aprenentatge automàtic automatitzat
  • Modelado y predicción de la conductividad térmica de líquidos iónicos utilizando FLAML como un enfoque automatizado de aprendizaje automático
• Enlaces
  • Texto completo
• Resumen
  • español

    Este manuscrito presenta el desarrollo de modelos utilizando la biblioteca FLAML de Microsoft como enfoque automatizado de aprendizaje automático para predecir el comportamiento de la conductividad térmica en líquidos iónicos. Los modelos se obtuvieron emplean-do un enfoque de aprendizaje automático automatizado, el principio de contribución de grupos y la regresión Kernel Ridge. Se utilizaron un total de 990 datos expe-rimentales de conductividad térmica correspondientes a 81 líquidos iónicos para desarrollar y comparar el desempeño de tres modelos. Los resultados mostraron que los modelos evaluados calcularon la conductividad térmica de los líquidos iónicos con valores de MAPE inferiores al 2% para la base de datos utilizada. El modelo entrenado con una división 60/40 para los conjuntos de entrenamiento y prueba, respectivamente, mostró el mejor desempeño para la predicción de la conductividad térmica de estos compuestos, lo que indica una buena capacidad de generalización.

  • català

    Aquest manuscrit descriu el desenvolupament de models utilitzant la biblioteca FLAML de Microsoft com a enfocament d'aprenentatge automàtic automa-titzat per predir el comportament de la conductivitat tèrmica dels líquids iònics. Els models es van obtenir mitjançant un enfocament d'aprenentatge automàtic automatitzat, el principi de contribució de grups i la regressió de cresta de nucli (Kernel Ridge Regression).Per al desenvolupament i la comparació del rendiment de tres models, es van utilitzar un total de 990 dades experimentals de conductivitat tèrmica corresponents a 81 líquids iònics. Els resultats van mostrar que els models provats van calcular la conductivitat tèrmica dels líquids iònics amb valors de MAPE inferiors al 2% per a la base de dades utilitzada.El model entrenat amb una divisió 60/40 per als con-junts d'entrenament i prova, respectivament, va mostrar el millor rendiment en la predicció de la conductivitat tèrmica d'aquests compostos, cosa que indica una bona capacitat de generalització.

  • English

    This manuscript reports the development of models using Microsoft’s library FLAML as automated machine learning approach to predict the behavior of thermal conductivity for ionic liquids. The models were obtained using an automated machine learning approach, the group contribution principle and Kernel Ridge Regression. A total of 990 experimental thermal conductivity data points for 81 ionic liquids were used to develop and compare the performance of 3 models. The results showed that the tested models calculated the thermal conductivity of ionic liquids with MAPE values lower than 2% for used database. The model trained with a split of 60/40 for training and test datasets respectively, showed the best performance for the prediction of the thermal conductivity of these compounds which points out at a good generalization capacity.