Glass transition temperature of ionic liquids using molecular descriptors and artificial neural networks

Abstract

Glass transition temperature data of ionic liquids (ILs) are analyzed to study the capabilities of artificial neural networks to correlate and predict this property. Molecular descriptors from computational chemistry are considered as independent variables to define the characteristics of an IL molecule. Several network architectures were considered, combinations of different descriptors were analyzed, and results were compared with other values reported in the literature. The independent variables (those that could have influence on the glass transition temperature) considered for training the artificial neural networks were (1) mass connectivity index l, (2) cation mass M(þ), (3) anion mass M(À), (4) surface area S A , (5) van der Waals volume V w , (6) connectivity index X 0 , and (7) number of carbon atoms nC. The mass connectivity index is a parameter previously defined by the authors and is calculated for each IL, whereas the descriptors S A , V w , X 0 , and nC were determined using the software Dragon7. As a measure of the accuracy of the method, the average relative deviation and the average relative absolute deviation are evaluated. Results of this work and others indicate that appropriate selection of data, good combination of architecture, and variables can lead to acceptable correlation of data but accurate prediction is not yet possible. The lack of a clear definition of the glass transition temperature and the lack of knowledge on what are the properties that most affect liquidesolid transition are the main causes of the present incapability for accurately predicting the glass transition temperature of the IL studied in this work.

Anomalous and Not-So-Common Behavior in Common Ionic Liquids and Ionic Liquid-Containing Systems

“…Many ILs that do exist in the liquid state never crystallize and thus do not show any melting point, instead, on cooling they show a glass transition (Tg). Most ILs (Valderrama et al, 2017) show a glass transition temperature in the 150–250 K range.…”

“…Some works have tackled the prediction of the Tg of ILs (Mirkhani et al, 2012; Valderrama et al, 2017). Other studies have identified difficulties behind observing IL's crystallization (Serra et al, 2017; Ferreira et al, 2019).…”

Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales

“…Realizarlo más veces no es necesario, por cuanto los parámetros estadísticos de las ecuaciones 1 a la 3, no cambian. Debe siempre haber entrenamiento, prueba y predicción y es necesario que los datos sean excluyentes (Valderrama et al, 2017b). En la Tabla 3, se muestran tres casos de las cincuenta ejecuciones, para los tres casos de estudio.…”

“…Como metodología de trabajo los valores de las variables independientes usadas para prueba y predicción deben estar dentro de los intervalos utilizados para el entrenamiento de la red (Tablas 1 y 2). Esto porque las redes neuronales artificiales son, en general, buenas herramientas para la interpolación pero no para la extrapolación (Valderrama, et al, 2017b).…”

“…En la Tabla 1 se muestran las temperaturas críticas (Tc), las presiones críticas (Pc), el factor acéntrico (), la masa del anión (M + ), la masa del catión (M -) y el índice de conectividad másico () de todos los líquidos iónicos considerados en este estudio. Las propiedades críticas (Tc, Pc) y el factor acéntrico () de los líquidos iónicos fueron obtenidos del trabajo de Valderrama et al (2012), mientras que los valores para la masa del anión, la masa del catión y el índice de conectividad másico del artículo de Valderrama et al, (2017b). La Tabla 2 muestra los intervalos de temperatura, presión, y solubilidad de los datos utilizados en este trabajo y la literatura de donde fueron tomados los datos experimentales.…”