Liquidi Ionici e AI: La Coppia Perfetta per Prevedere la Solubilità degli Idrocarburi?

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi affascina da matti: l’incontro tra la chimica più avanzata e l’intelligenza artificiale. Nello specifico, ci tufferemo nel mondo dei liquidi ionici (ILs) e di come l’AI ci sta aiutando a capire come interagiscono con gli idrocarburi gassosi. Sembra complicato? Tranquilli, cercherò di renderlo il più semplice e interessante possibile!

Perché è importante questa storia della solubilità?

Immaginate di dover “pulire” il gas naturale, rimuovendo impurità come CO2 o H2S, oppure di dover separare diversi tipi di idrocarburi nell’industria chimica. Sono processi fondamentali, ma spesso energivori e non super efficienti. Qui entrano in gioco i solventi, sostanze capaci di “catturare” selettivamente certi gas. Per decenni abbiamo usato solventi tradizionali, come le ammine, ma hanno i loro limiti: consumano energia per essere rigenerati, possono essere volatili e non sempre super selettivi.

Ecco i Liquidi Ionici: i solventi “cool”

Da qualche tempo, noi ricercatori stiamo puntando gli occhi su una classe di solventi davvero speciali: i liquidi ionici. Cosa sono? Immaginateli come sali, ma liquidi a temperatura ambiente (o quasi). Sono fatti da ioni grandi e un po’ “storti” (cationi organici e anioni organici/inorganici). Questa loro natura li rende unici:

• Hanno una volatilità bassissima (non evaporano facilmente, meno inquinamento).
• Sono chimicamente molto stabili.
• Possiamo “disegnarli” quasi su misura cambiando gli ioni, per ottimizzare le loro proprietà (questa è la parte che mi entusiasma di più!).
• Spesso mostrano un’ottima capacità di sciogliere gli idrocarburi.

Capire esattamente *quanto* un certo gas si scioglie in un determinato liquido ionico è cruciale per scegliere il solvente giusto e progettare processi industriali efficienti.

Il problema: prevedere la solubilità è un rompicapo

Ok, i liquidi ionici sono promettenti, ma prevedere come si comporteranno non è una passeggiata. Le interazioni tra questi solventi complessi e i gas sono difficili da modellare. I metodi tradizionali, come le equazioni di stato (EoS) o le simulazioni molecolari, hanno i loro perché:

• Le EoS a volte faticano a catturare la complessità delle interazioni, specialmente considerando come piccoli cambiamenti nella struttura del liquido ionico (tipo di anione/catione, lunghezza catene alchiliche) o nel tipo di idrocarburo possano influenzare la solubilità.
• Le simulazioni molecolari possono essere molto accurate, ma richiedono una potenza di calcolo enorme e tantissimo tempo, soprattutto per sistemi grandi.
• Modelli come COSMO-RS (Conductor-like Screening Model for Realistic Solvents), che combinano chimica quantistica e termodinamica statistica, sono utili ma possono avere limiti di accuratezza e non sempre battono le nuove tecniche in termini di efficienza.

Insomma, serviva un approccio diverso, più smart.

L’Intelligenza Artificiale scende in campo: arriva GPR!

Ed è qui che entra in gioco la mia passione: l’intelligenza artificiale (AI)! Negli ultimi anni, l’AI ha dimostrato di poter scovare pattern complessi nascosti in grandi moli di dati, cosa perfetta per problemi come la previsione delle proprietà termodinamiche. Nel nostro studio, abbiamo deciso di usare una tecnica specifica di machine learning chiamata Gaussian Process Regression (GPR).

Perché proprio GPR? Perché è un metodo *probabilistico*: non ci dà solo una previsione “secca”, ma ci dice anche quanto è “sicuro” di quella previsione (quantifica l’incertezza), il che è fondamentale nelle applicazioni reali. Inoltre, è flessibile e non parte da assunzioni rigide sulla forma matematica della relazione tra input e output. Abbiamo potenziato il GPR usando diverse “funzioni kernel” (Matern, esponenziale, esponenziale quadratica, razionale quadratica) per vedere quale funzionasse meglio nel catturare le sottigliezze delle interazioni gas-liquido ionico.

Il nostro esperimento “virtuale”

Cosa abbiamo fatto, in pratica?

1. Raccolta Dati: Abbiamo setacciato la letteratura scientifica e messo insieme un bel database con 1018 misure sperimentali di solubilità. Si trattava della solubilità di quattro idrocarburi gassosi comuni (metano, etano, propano, butano) in 16 diversi liquidi ionici. Un lavoraccio, ma fondamentale!
2. Input per l’AI: Abbiamo “insegnato” ai modelli GPR a riconoscere le condizioni sperimentali (temperatura, pressione), le proprietà chiave dei liquidi ionici (temperatura critica, pressione critica, fattore acentrico – ottenuti anche con metodi di contribuzione di gruppo quando non disponibili) e degli idrocarburi (peso molecolare), e anche la fugacità del gas (una misura della sua “voglia di scappare” dalla soluzione, per tener conto del comportamento non ideale).
3. Addestramento e Test: Abbiamo usato il 75% dei dati per addestrare i modelli e il restante 25% per testare la loro capacità predittiva su dati “mai visti prima”.
4. Confronto Kernel: Abbiamo valutato quale delle quattro funzioni kernel desse i risultati migliori.
5. AI vs. Tradizione: Abbiamo confrontato le prestazioni del nostro modello GPR migliore con quelle del modello termodinamico standard COSMO-RS.
6. Analisi di Sensibilità: Abbiamo chiesto all’AI quali fossero i fattori più importanti nell’influenzare la solubilità.

Risultati da urlo: l’AI vince (e il kernel Matern pure!)

I risultati sono stati davvero entusiasmanti! Il modello GPR con il kernel Matern si è dimostrato eccezionale, raggiungendo un valore di R² (un indice di quanto bene il modello spiega i dati, 1 è perfetto) di 0.995 sia nel training che nel test. Praticamente perfetto! Anche gli altri kernel hanno fatto benissimo (R² tra 0.992 e 0.994), confermando la potenza del GPR per questo compito.

Quando abbiamo confrontato i nostri modelli AI con il COSMO-RS, l’AI ha mostrato una superiorità netta, sia in termini di accuratezza che di efficienza computazionale (una volta addestrato, il modello AI fa previsioni in un lampo). Questo suggerisce che per prevedere la solubilità degli idrocarburi gassosi nei liquidi ionici, gli approcci basati sull’AI offrono un vantaggio chiaro.

Cosa conta di più? Ce lo dice l’AI

L’analisi di sensibilità ci ha dato un’altra chicca: qual è il fattore che influenza di più la solubilità? La pressione! Ha mostrato un fattore di rilevanza del 63%. Seguono la fugacità (51%) e la temperatura critica del liquido ionico (42%). Curiosamente, il fattore acentrico del liquido ionico ha un effetto negativo (più è alto, minore è la solubilità, con rilevanza 34%). Temperatura sperimentale, pressione critica dell’IL e peso molecolare dell’idrocarburo hanno un impatto minore ma comunque presente. Queste informazioni sono oro colato per chi deve scegliere o progettare nuovi liquidi ionici!

Occhio ai dati “strani”

Abbiamo anche controllato la qualità dei nostri dati usando il metodo “Leverage” (visualizzato con il grafico di William). È normale che in un dataset così grande ci siano alcuni punti un po’ anomali (outlier), magari dovuti a errori sperimentali. Abbiamo verificato che la stragrande maggioranza dei nostri dati (circa il 96%) rientrava nella zona “affidabile”, confermando la robustezza del nostro database e, di conseguenza, dei nostri modelli.

Un passo avanti per la chimica sostenibile

Questo studio, insieme ad altri simili che stanno emergendo nel campo (usando tecniche come reti neurali, SVM, XGBoost, etc.), dimostra come l’intelligenza artificiale stia diventando uno strumento potentissimo per accelerare la scoperta e l’ottimizzazione di materiali e processi chimici. Prevedere accuratamente la solubilità degli idrocarburi nei liquidi ionici ci permette di progettare sistemi di separazione e purificazione più efficienti ed ecologici.

In conclusione, posso dire che combinare la complessità affascinante dei liquidi ionici con la potenza predittiva dell’intelligenza artificiale, in particolare del GPR, ci apre strade incredibili. Abbiamo dimostrato che questi modelli non solo funzionano egregiamente, ma superano anche approcci più tradizionali, fornendoci strumenti più rapidi e accurati per affrontare sfide industriali importanti. Il futuro della selezione dei solventi e della progettazione dei processi chimici sembra decisamente più “intelligente”!

Fonte: Springer