A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures
Un enfoque híbrido termodinámico-aprendizaje automático para la predicción del punto de inflamación de mezclas orgánicas binarias
Uma abordagem híbrida de termodinâmica e aprendizado de máquina para a previsão do ponto de fulgor de misturas orgânicas binárias
| 2026 | |
|
Punto de inflamación Mezclas multicomponentes Modelo Liaw-UNIFAC Red neuronal artificial Seguridad de procesos No idealidad Flash point Multicomponent mixtures Liaw–UNIFAC model Artificial neural network Process safety Non-ideality Ponto de fulgor Misturas multicomponentes Modelo Liaw-UNIFAC Rede neural artificial Segurança de processos Não idealidade |
|
| Español | |
| Universidad de Montevideo | |
| REDUM | |
|
https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983
https://hdl.handle.net/20.500.12806/3450 |
|
| Acceso abierto | |
| Atribución 4.0 Internacional |
| _version_ | 1874489178141491200 |
|---|---|
| author | Khan, Nadia |
| author2 | Saleem, Ahmed Jilani, Aisha Zaidi, Asad A. |
| author2_role | author author author |
| author_facet | Khan, Nadia Saleem, Ahmed Jilani, Aisha Zaidi, Asad A. |
| author_role | author |
| collection | REDUM |
| dc.creator.none.fl_str_mv | Khan, Nadia Saleem, Ahmed Jilani, Aisha Zaidi, Asad A. |
| dc.date.accessioned.none.fl_str_mv | 2026-08-18T15:51:51Z |
| dc.date.available.none.fl_str_mv | 2026-08-18T15:51:51Z |
| dc.date.none.fl_str_mv | 2026-06-16 |
| dc.description.en-US.fl_txt_mv | Flash point is a critical safety parameter indicating the lowest temperature at which a flammable liquid mixture can ignite. Accurate flash point estimation is essential for hazard prevention in chemical processing and fuel handling, yet experimental determination is time-consuming, costly, and hazardous. This study presents a combined thermodynamic and machine learning methodology to predict flash points of binary organic mixtures. A Liaw–UNIFAC thermodynamic model was used to generate vapor pressure and activity coefficient inputs, which were then used to train an Artificial Neural Network (ANN) for flash point prediction. The ANN model, configured with four hidden layers (10-20-10-5 neurons), captures complex non-linear relationships between mixture composition, molecular properties, and flash point. Model evaluation against literature data for eight diverse binary mixtures (including alcohols, alkanes, aromatics, and ketones) demonstrates high accuracy: the ANN’s flash point predictions show mean squared errors (MSE) below 0.1 and R2 above 0.99 in most cases, closely matching both experimental results and the Liaw–UNIFAC model. The ANN approach offers comparable reliability to the mechanistic Liaw model while significantly improving computational efficiency and adaptability. These findings highlight the potential of hybrid thermodynamic ANN modeling to enhance process safety by enabling rapid, accurate flash point estimation for complex mixtures without exhaustive physical testing. |
| dc.description.es-ES.fl_txt_mv | El punto de inflamación es un parámetro de seguridad crítico que indica la temperatura más baja a la que una mezcla líquida inflamable puede encenderse. La estimación precisa del punto de inflamación es esencial para la prevención de riesgos en el procesamiento químico y el manejo de combustibles; sin embargo, la determinación experimental es laboriosa, costosa y peligrosa. Este estudio presenta una metodología combinada de termodinámica y aprendizaje automático para predecir los puntos de inflamación de mezclas orgánicas binarias. Se utilizó un modelo termodinámico Liaw-UNIFAC para generar entradas de presión de vapor y coeficiente de actividad, que luego se utilizaron para entrenar una red neuronal artificial (RNA) para la predicción del punto de inflamación. El modelo de RNA, configurado con cuatro capas ocultas (10-20-10-5 neuronas), captura relaciones no lineales complejas entre la composición de la mezcla, las propiedades moleculares y el punto de inflamación. La evaluación del modelo comparándolo con datos de la literatura para ocho mezclas binarias diversas (que incluyen alcoholes, alcanos, aromáticos y cetonas) demuestra una alta precisión: las predicciones del punto de inflamación de la red neuronal artificial (RNA) muestran errores cuadráticos medios (ECM) inferiores a 0,1 y un coeficiente de determinación (R²) superior a 0,99 en la mayoría de los casos, coincidiendo estrechamente con los resultados experimentales y el modelo Liaw-UNIFAC. El enfoque de la RNA ofrece una fiabilidad comparable al modelo mecanicista de Liaw, a la vez que mejora significativamente la eficiencia computacional y la adaptabilidad. Estos hallazgos resaltan el potencial del modelado termodinámico híbrido con RNA para mejorar la seguridad de los procesos, al permitir una estimación rápida y precisa del punto de inflamación para mezclas complejas sin necesidad de ensayos físicos exhaustivos. |
| dc.description.pt-BR.fl_txt_mv | O ponto de fulgor é um parâmetro crítico de segurança que indica a temperatura mais baixa na qual uma mistura líquida inflamável pode entrar em combustão. A estimativa precisa do ponto de fulgor é essencial para a prevenção de riscos no processamento químico e no manuseio de combustíveis; no entanto, a determinação experimental é demorada, dispendiosa e perigosa. Este estudo apresenta uma metodologia combinada de termodinâmica e aprendizado de máquina para prever o ponto de fulgor de misturas orgânicas binárias. Um modelo termodinâmico de Liaw-UNIFAC foi utilizado para gerar dados de pressão de vapor e coeficiente de atividade, que foram então usados para treinar uma Rede Neural Artificial (RNA) para a previsão do ponto de fulgor. O modelo de RNA, configurado com quatro camadas ocultas (10-20-10-5 neurônios), captura relações não lineares complexas entre a composição da mistura, as propriedades moleculares e o ponto de fulgor. A avaliação do modelo em relação aos dados da literatura para oito misturas binárias diversas (incluindo álcoois, alcanos, aromáticos e cetonas) demonstra alta precisão: as previsões do ponto de fulgor da RNA apresentam erros quadráticos médios (EQM) abaixo de 0,1 e R² acima de 0,99 na maioria dos casos, correspondendo de perto tanto aos resultados experimentais quanto ao modelo Liaw-UNIFAC. A abordagem da RNA oferece confiabilidade comparável ao modelo mecanístico de Liaw, ao mesmo tempo que melhora significativamente a eficiência computacional e a adaptabilidade. Essas descobertas destacam o potencial da modelagem termodinâmica híbrida com RNA para aprimorar a segurança do processo, permitindo a estimativa rápida e precisa do ponto de fulgor para misturas complexas sem testes físicos exaustivos. |
| dc.format.none.fl_str_mv | application/pdf text/html |
| dc.identifier.none.fl_str_mv | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983 10.36561/ING.30.13 |
| dc.identifier.uri.none.fl_str_mv | https://hdl.handle.net/20.500.12806/3450 |
| dc.language.iso.none.fl_str_mv | spa |
| dc.publisher.es-ES.fl_str_mv | Universidad de Montevideo |
| dc.relation.none.fl_str_mv | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983/2158 https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983/2159 |
| dc.rights.es-ES.fl_str_mv | http://creativecommons.org/licenses/by/4.0 |
| dc.rights.license.none.fl_str_mv | Atribución 4.0 Internacional |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.en-US.fl_str_mv | Memoria Investigaciones en Ingeniería; No. 30 (2026); 189-210 |
| dc.source.es-ES.fl_str_mv | Memoria Investigaciones en Ingeniería; Núm. 30 (2026); 189-210 |
| dc.source.none.fl_str_mv | 2301-1106 2301-1092 10.36561/ING.30 reponame:REDUM instname:Universidad de Montevideo instacron:Universidad de Montevideo |
| dc.source.pt-BR.fl_str_mv | Memoria Investigaciones en Ingenieria; n. 30 (2026); 189-210 |
| dc.subject.en-US.fl_str_mv | Flash point Multicomponent mixtures Liaw–UNIFAC model Artificial neural network Process safety Non-ideality |
| dc.subject.es-ES.fl_str_mv | Punto de inflamación Mezclas multicomponentes Modelo Liaw-UNIFAC Red neuronal artificial Seguridad de procesos No idealidad |
| dc.subject.pt-BR.fl_str_mv | Ponto de fulgor Misturas multicomponentes Modelo Liaw-UNIFAC Rede neural artificial Segurança de processos Não idealidade |
| dc.title.none.fl_str_mv | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures Un enfoque híbrido termodinámico-aprendizaje automático para la predicción del punto de inflamación de mezclas orgánicas binarias Uma abordagem híbrida de termodinâmica e aprendizado de máquina para a previsão do ponto de fulgor de misturas orgânicas binárias |
| dc.type.en-US.fl_str_mv | Peer reviewed articles |
| dc.type.es-ES.fl_str_mv | Artículos evaluados por pares |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
| dc.type.pt-BR.fl_str_mv | Artigos revistos por pares |
| dc.type.version.none.fl_str_mv | publishedVersion info:eu-repo/semantics/publishedVersion |
| description | Flash point is a critical safety parameter indicating the lowest temperature at which a flammable liquid mixture can ignite. Accurate flash point estimation is essential for hazard prevention in chemical processing and fuel handling, yet experimental determination is time-consuming, costly, and hazardous. This study presents a combined thermodynamic and machine learning methodology to predict flash points of binary organic mixtures. A Liaw–UNIFAC thermodynamic model was used to generate vapor pressure and activity coefficient inputs, which were then used to train an Artificial Neural Network (ANN) for flash point prediction. The ANN model, configured with four hidden layers (10-20-10-5 neurons), captures complex non-linear relationships between mixture composition, molecular properties, and flash point. Model evaluation against literature data for eight diverse binary mixtures (including alcohols, alkanes, aromatics, and ketones) demonstrates high accuracy: the ANN’s flash point predictions show mean squared errors (MSE) below 0.1 and R2 above 0.99 in most cases, closely matching both experimental results and the Liaw–UNIFAC model. The ANN approach offers comparable reliability to the mechanistic Liaw model while significantly improving computational efficiency and adaptability. These findings highlight the potential of hybrid thermodynamic ANN modeling to enhance process safety by enabling rapid, accurate flash point estimation for complex mixtures without exhaustive physical testing. |
| eu_rights_str_mv | openAccess |
| format | article |
| id | REDUM_b593402f7563863a76e5af211b79be96 |
| identifier_str_mv | 10.36561/ING.30.13 |
| instacron_str | Universidad de Montevideo |
| institution | Universidad de Montevideo |
| instname_str | Universidad de Montevideo |
| language | spa |
| network_acronym_str | REDUM |
| network_name_str | REDUM |
| oai_identifier_str | oai:redum.um.edu.uy:20.500.12806/3450 |
| publishDate | 2026 |
| reponame_str | REDUM |
| repository.mail.fl_str_mv | nolascoaga@um.edu.uy |
| repository.name.fl_str_mv | REDUM - Universidad de Montevideo |
| repository_id_str | 10501 |
| rights_invalid_str_mv | http://creativecommons.org/licenses/by/4.0 Atribución 4.0 Internacional |
| spelling | Khan, NadiaSaleem, AhmedJilani, AishaZaidi, Asad A.2026-06-162026-08-18T15:51:51Z2026-08-18T15:51:51Zhttps://revistas.um.edu.uy/index.php/ingenieria/article/view/198310.36561/ING.30.13https://hdl.handle.net/20.500.12806/3450Flash point is a critical safety parameter indicating the lowest temperature at which a flammable liquid mixture can ignite. Accurate flash point estimation is essential for hazard prevention in chemical processing and fuel handling, yet experimental determination is time-consuming, costly, and hazardous. This study presents a combined thermodynamic and machine learning methodology to predict flash points of binary organic mixtures. A Liaw–UNIFAC thermodynamic model was used to generate vapor pressure and activity coefficient inputs, which were then used to train an Artificial Neural Network (ANN) for flash point prediction. The ANN model, configured with four hidden layers (10-20-10-5 neurons), captures complex non-linear relationships between mixture composition, molecular properties, and flash point. Model evaluation against literature data for eight diverse binary mixtures (including alcohols, alkanes, aromatics, and ketones) demonstrates high accuracy: the ANN’s flash point predictions show mean squared errors (MSE) below 0.1 and R2 above 0.99 in most cases, closely matching both experimental results and the Liaw–UNIFAC model. The ANN approach offers comparable reliability to the mechanistic Liaw model while significantly improving computational efficiency and adaptability. These findings highlight the potential of hybrid thermodynamic ANN modeling to enhance process safety by enabling rapid, accurate flash point estimation for complex mixtures without exhaustive physical testing.El punto de inflamación es un parámetro de seguridad crítico que indica la temperatura más baja a la que una mezcla líquida inflamable puede encenderse. La estimación precisa del punto de inflamación es esencial para la prevención de riesgos en el procesamiento químico y el manejo de combustibles; sin embargo, la determinación experimental es laboriosa, costosa y peligrosa. Este estudio presenta una metodología combinada de termodinámica y aprendizaje automático para predecir los puntos de inflamación de mezclas orgánicas binarias. Se utilizó un modelo termodinámico Liaw-UNIFAC para generar entradas de presión de vapor y coeficiente de actividad, que luego se utilizaron para entrenar una red neuronal artificial (RNA) para la predicción del punto de inflamación. El modelo de RNA, configurado con cuatro capas ocultas (10-20-10-5 neuronas), captura relaciones no lineales complejas entre la composición de la mezcla, las propiedades moleculares y el punto de inflamación. La evaluación del modelo comparándolo con datos de la literatura para ocho mezclas binarias diversas (que incluyen alcoholes, alcanos, aromáticos y cetonas) demuestra una alta precisión: las predicciones del punto de inflamación de la red neuronal artificial (RNA) muestran errores cuadráticos medios (ECM) inferiores a 0,1 y un coeficiente de determinación (R²) superior a 0,99 en la mayoría de los casos, coincidiendo estrechamente con los resultados experimentales y el modelo Liaw-UNIFAC. El enfoque de la RNA ofrece una fiabilidad comparable al modelo mecanicista de Liaw, a la vez que mejora significativamente la eficiencia computacional y la adaptabilidad. Estos hallazgos resaltan el potencial del modelado termodinámico híbrido con RNA para mejorar la seguridad de los procesos, al permitir una estimación rápida y precisa del punto de inflamación para mezclas complejas sin necesidad de ensayos físicos exhaustivos.O ponto de fulgor é um parâmetro crítico de segurança que indica a temperatura mais baixa na qual uma mistura líquida inflamável pode entrar em combustão. A estimativa precisa do ponto de fulgor é essencial para a prevenção de riscos no processamento químico e no manuseio de combustíveis; no entanto, a determinação experimental é demorada, dispendiosa e perigosa. Este estudo apresenta uma metodologia combinada de termodinâmica e aprendizado de máquina para prever o ponto de fulgor de misturas orgânicas binárias. Um modelo termodinâmico de Liaw-UNIFAC foi utilizado para gerar dados de pressão de vapor e coeficiente de atividade, que foram então usados para treinar uma Rede Neural Artificial (RNA) para a previsão do ponto de fulgor. O modelo de RNA, configurado com quatro camadas ocultas (10-20-10-5 neurônios), captura relações não lineares complexas entre a composição da mistura, as propriedades moleculares e o ponto de fulgor. A avaliação do modelo em relação aos dados da literatura para oito misturas binárias diversas (incluindo álcoois, alcanos, aromáticos e cetonas) demonstra alta precisão: as previsões do ponto de fulgor da RNA apresentam erros quadráticos médios (EQM) abaixo de 0,1 e R² acima de 0,99 na maioria dos casos, correspondendo de perto tanto aos resultados experimentais quanto ao modelo Liaw-UNIFAC. A abordagem da RNA oferece confiabilidade comparável ao modelo mecanístico de Liaw, ao mesmo tempo que melhora significativamente a eficiência computacional e a adaptabilidade. Essas descobertas destacam o potencial da modelagem termodinâmica híbrida com RNA para aprimorar a segurança do processo, permitindo a estimativa rápida e precisa do ponto de fulgor para misturas complexas sem testes físicos exaustivos.application/pdftext/htmlspaUniversidad de Montevideohttps://revistas.um.edu.uy/index.php/ingenieria/article/view/1983/2158https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983/2159http://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessAtribución 4.0 InternacionalMemoria Investigaciones en Ingeniería; No. 30 (2026); 189-210Memoria Investigaciones en Ingeniería; Núm. 30 (2026); 189-210Memoria Investigaciones en Ingenieria; n. 30 (2026); 189-2102301-11062301-109210.36561/ING.30reponame:REDUMinstname:Universidad de Montevideoinstacron:Universidad de MontevideoPunto de inflamaciónMezclas multicomponentesModelo Liaw-UNIFACRed neuronal artificialSeguridad de procesosNo idealidadFlash pointMulticomponent mixturesLiaw–UNIFAC modelArtificial neural networkProcess safetyNon-idealityPonto de fulgorMisturas multicomponentesModelo Liaw-UNIFACRede neural artificialSegurança de processosNão idealidadeA Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic MixturesUn enfoque híbrido termodinámico-aprendizaje automático para la predicción del punto de inflamación de mezclas orgánicas binariasUma abordagem híbrida de termodinâmica e aprendizado de máquina para a previsão do ponto de fulgor de misturas orgânicas bináriasinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionPeer reviewed articlesArtículos evaluados por paresArtigos revistos por parespublishedVersioninfo:eu-repo/semantics/publishedVersion20.500.12806/34502026-08-18 12:51:51.62oai:redum.um.edu.uy:20.500.12806/3450Institucionalhttps://redum.um.edu.uy/Universidadhttps://um.edu.uy/https://redum.um.edu.uy/oai/requestnolascoaga@um.edu.uyUruguayopendoar:105012026-08-18T15:51:51REDUM - Universidad de Montevideofalse |
| spellingShingle | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures Khan, Nadia Punto de inflamación Mezclas multicomponentes Modelo Liaw-UNIFAC Red neuronal artificial Seguridad de procesos No idealidad Flash point Multicomponent mixtures Liaw–UNIFAC model Artificial neural network Process safety Non-ideality Ponto de fulgor Misturas multicomponentes Modelo Liaw-UNIFAC Rede neural artificial Segurança de processos Não idealidade |
| status_str | publishedVersion |
| title | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| title_full | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| title_fullStr | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| title_full_unstemmed | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| title_short | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| title_sort | A Hybrid Thermodynamic–Machine Learning Approach for Flash Point Prediction of Binary Organic Mixtures |
| topic | Punto de inflamación Mezclas multicomponentes Modelo Liaw-UNIFAC Red neuronal artificial Seguridad de procesos No idealidad Flash point Multicomponent mixtures Liaw–UNIFAC model Artificial neural network Process safety Non-ideality Ponto de fulgor Misturas multicomponentes Modelo Liaw-UNIFAC Rede neural artificial Segurança de processos Não idealidade |
| url | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1983 https://hdl.handle.net/20.500.12806/3450 |
