Thermal conductivity data acquisition using microfluidics and cheminformatics
Acquisition de données de conductivité thermique par microfluidique et chémoinformatique
Résumé
Global warming-related climate change demands prompt actions to reduce greenhouse gas (GHG) emissions, particularly carbon dioxide. To reduce GHGs, biomass-based biofuels containing oxygenated compounds represent a promising alternative of energy source. To convert biomass into energy, several processes are operated at high pressure and high temperature conditions, which therefore required knowledge of thermophysical property data for their dimensioning, particularly thermal conductivity.Standard methods for measuring thermal conductivity involve the use of thermocouples and heat flow meters, but they can be time-consuming and error-prone when handling fluids. To overcome these challenges, smaller scale technologies like MEMS and Microfluidics have been proposed. By combining these two technologies, microfluidic devices incorporating MEMS have been created, known as Lab On Chip. This approach offers several advantages including a reduced reagent consumption, shorter operating times, and improved heat and mass transfers. Since then, research on microfluidic devices has advanced and the technology has improved, allowing for a wider range of operating conditions in temperature and pressure. However, existing microfluidic systems used for measuring thermal conductivity lack chemical inertness and adequate thermomechanical properties required for application in various fluid systems and conditions. Consequently, the creation of a microfluidic device that can withstand harsh conditions is still crucial.In this context, a microfluidic device has been developed to measure the thermal conductivity of liquids at different temperatures. The purpose of this is to generate new experimental data on thermal conductivity for oxygenated compounds that are not currently found in the existing literature. To ensure accuracy, the device was tested with liquids of known properties, before being used for generated new experimental data for which there is scarce information.Although microfluidics offers a great way for producing new data, it's important to consider other approaches such as modeling to supplement experimental data or to feed process simulators. The data available on the thermal conductivity of oxygenated compounds is limited and often varies depending on the source. This is especially true under extreme conditions. Machine learning can be used to develop predictive models that are powerful and can learn from existing data. For these models to be accurate and trustworthy, reference experimental data are required. These models can also be used to streamline the design of future experiments, saving time and money. By combining microfluidics and modeling, new thermal conductivity data can be generated, particularly at unexplored temperature conditionsOn this basis, a predictive model has been developed to determine thermal conductivity of liquids. In order to create accurate predictive models, it is necessary to have reliable and validated data. To ensure this, a database has been created, which includes both existing literature data and new experimental data obtain with the developed microfluidic device. After an extensive data collection, followed by data curation and experimental data generation, predictive models have been created and compared.Modeling and experiments complement each other. Together, they enhance the accuracy of predictions and the comprehension of the system under investigation.
Le changement climatique lié au réchauffement de la planète exige des mesures rapides pour réduire les émissions de gaz à effet de serre (GES), en particulier le dioxyde de carbone. Pour réduire les GES, les biocarburants issus de la biomasse et contenant des composés oxygénés représentent une alternative prometteuse de source d'énergie. Pour convertir la biomasse en énergie, plusieurs procédés sont utilisés à haute pression et à haute température, ce qui nécessite la connaissance des propriétés thermophysiques pour leur dimensionnement, en particulier la conductivité thermique (CT).Les méthodes standard de mesure de la CT impliquent l'utilisation de thermocouples et de compteurs de flux de chaleur, mais elles peuvent être longues et sujettes à des erreurs lors de la manipulation de fluides. Pour surmonter ces difficultés, des technologies à plus petite échelle telles que les MEMS et la microfluidique ont été proposées. En combinant ces deux technologies, des dispositifs microfluidiques intégrant des MEMS ont été créés, connus sous le nom de "Lab On Chip". Cette approche offre plusieurs avantages, notamment une consommation réduite de réactifs, des temps de fonctionnement plus courts et des transferts de chaleur et de masse améliorés. Depuis, la recherche sur les dispositifs microfluidiques a progressé et la technologie s'est améliorée, ce qui permet d'élargir la gamme des conditions de fonctionnement de température et de pression. Cependant, les systèmes microfluidiques existants utilisés pour mesurer la CT manquent d'inertie chimique et de propriétés thermomécaniques adéquates requises pour une application dans divers systèmes et conditions de fluides. Par conséquent, la création d'un dispositif microfluidique capable de résister à des conditions difficiles reste cruciale.Dans ce contexte, un dispositif microfluidique a été développé pour mesurer la CT des liquides à différentes températures. L'objectif est de générer de nouvelles données expérimentales sur la CT des composés oxygénés qui ne figurent pas dans la littérature existante. Pour garantir la précision, le dispositif a été testé avec des liquides aux propriétés connues, avant d'être utilisé pour générer de nouvelles données expérimentales pour lesquelles il existe peu d'informations.Bien que la microfluidique soit un excellent moyen de produire de nouvelles données, il est important d'envisager d'autres approches telles que la modélisation pour compléter les données expérimentales ou pour alimenter les simulateurs de processus. Les données disponibles sur la CT des composés oxygénés sont limitées et varient entre sources, en particulier dans des conditions extrêmes. L'apprentissage automatique peut être utilisé pour développer des modèles prédictifs puissants et capables d'apprendre à partir de données existantes. Pour que ces modèles soient précis et fiables, des données expérimentales de référence sont nécessaires. Ces prédictions peuvent également aider à rendre les expériences futures plus efficaces et plus rentables. En combinant la microfluidique et la modélisation, il est possible de générer de nouvelles données sur la CT, en particulier dans des conditions de température inexplorées.Sur cette base, un modèle prédictif a été développé pour déterminer la CT des liquides. Pour créer des modèles prédictifs précis, il est nécessaire de disposer de données fiables et validées. Pour ce faire, une base de données a été créée, qui comprend à la fois des données bibliographiques existantes et de nouvelles données expérimentales obtenues avec le dispositif microfluidique mis au point. Après une vaste collecte de données, suivie d'une curation des données et d'une génération de données expérimentales, des modèles prédictifs ont été créés et comparés.La modélisation et les expériences se complètent. Ensemble, ils améliorent la précision des prédictions et la compréhension du système étudié.
| Origine | Version validée par le jury (STAR) |
|---|