← 論文一覧に戻る

Thermodynamics Guided Machine Learning Models for CO₂ desublimation temperature prediction

熱力学に基づく機械学習モデルによるCO₂脱昇華温度予測 (AI 翻訳)

Ganti Srikanth, 𝑏 𝑎, G. Sudheer, 𝑐∗

Tuijin Jishu/Journal of Propulsion Technology📚 査読済 / ジャーナル2026-01-05#CCUS
DOI: 10.52783/tjjpt.v47.i01.10439
原典: https://doi.org/10.52783/tjjpt.v47.i01.10439

🤖 gxceed AI 要約

日本語

CO₂脱昇華温度（CDDT）は極低温炭素回収や天然ガス処理に重要。本研究はPeng-Robinson状態方程式による熱力学モデル、4種の機械学習手法、物理情報ハイブリッドML（PI-HML）を統合した3層アプローチを提案。PI-HMLは平衡条件やクラウジウス-クラペイロン則を学習に組み込み、高精度な予測を実現。

English

This paper presents a three-tier study for predicting CO₂ desublimation temperature (CDDT) critical for cryogenic carbon capture and gas processing. It compares a thermodynamic model (Peng-Robinson EoS), standalone ML methods (DT, GPM, ANFIS, GP), and a physics-informed hybrid ML (PI-HML) that embeds fugacity equilibrium and Clausius–Clapeyron constraints. PI-HML achieves superior accuracy and physical consistency.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本はGX実現に向けCCUS技術の開発を推進しており、極低温分離法の効率化に資する本モデルは、国内の炭素回収プロジェクトや天然ガスプラントでの実装可能性を示唆する。

In the global GX context

As global CCUS deployment accelerates, accurate prediction of CO₂ solidification is vital for designing cryogenic capture systems and pipeline safety. This physics-informed ML framework offers a reproducible toolkit that can be integrated into broader carbon management infrastructures and aligned with TCFD/ISSB disclosure of capture efficiencies.

👥 読者別の含意

🔬研究者:Novel combination of thermodynamic constraints with ML for phase-change prediction, advancing physics-informed modeling approaches.

🏢実務担当者:Engineers in cryogenic carbon capture or gas processing can directly apply the PI-HML model for system design and operational optimization.

🏛政策担当者:Supports technical feasibility assessments for carbon capture projects, relevant for GX policy targets.

📄 抄録（日本語訳）

二酸化炭素昇華温度（CDDT）—CO₂が蒸気相から固相へ直接遷移する閾値—の正確な予測は、極低温炭素回収システム、天然ガス処理、およびパイプラインの安全性にとって極めて重要である。本論文は、以下の3層からなる統一的かつ包括的な研究を提示する：Peng–Robinson状態方程式（PR EoS）に基づき、Lagrangeの解析的に安定な三次方程式ソルバーを用いて解かれる古典的熱力学モデル；決定木（DT）、ガウス過程法（GPM）、適応ニューロファジィ推論システム（ANFIS）、および遺伝的プログラミング（GP）を含む機械学習（ML）アプローチを、430件の実験測定値からなる統合データセットに適用したもの；そして、フガシティ平衡、Clausius–Clapeyron整合性、および単調性制約を学習目的関数に直接組み込む物理情報ハイブリッド機械学習（PI-HML）フレームワーク。これらを併せて、これらのフレームワークは、産業用極低温操作におけるCO₂固化を管理するための、完全かつ検証済みのツールキットを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

Accurate prediction of the carbon dioxide desublimation temperature (CDDT)—the threshold below which CO₂ transitions directly from vapor to solid phase—is critical for cryogenic carbon-capture systems, natural-gas processing, and pipeline safety. This paper presents a unified, three-tier study covering:  a classical thermodynamic model based on the Peng–Robinson equation of state (PR EoS) solved via Lagrange’s analytically stable cubic solver;  machine learning (ML) approaches including Decision Tree (DT), Gaussian Process Method (GPM), Adaptive Neuro-Fuzzy Inference System (ANFIS), and Genetic Programming (GP) applied to a consolidated dataset of 430 experimental measurements; and a physics-informed hybrid machine learning (PI-HML) framework that embeds fugacity equilibrium, Clausius–Clapeyron consistency, and monotonicity constraints directly into the learning objective. Together, these frameworks provide a complete, validated toolkit for managing CO₂ solidification in industrial cryogenic operations.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。