Speed of sound prediction

Abstract

Tato bakalářská práce prezentuje originální přístup k predikci rychlosti zvuku ve vodných roztocích elektrolytů pomocí technik strojového učení. Je vytvořen model schopný predikovat rychlost zvuku při různých teplotách a molalitách ve vybraných vodných roztocích elektrolytů. Experiment je navržen tak, aby využíval disociace elektrolytů ve vodě. Elektrolyty jsou vnímány jako pár anion/kation. Popis elektrolytů je pak založen pouze na iontech, z nichž se skládá. Tento přístup umožňuje vnímat dostupná data jako matici, v níž jsou řádky tvořeny kationty, sloupce anionty a každá buňka reprezentuje jeden elektrolyt. Možnost vyplnění buněk, pro které nejsou dostupná data, je v práci ověřena. Přesnost finálního modelu je porovnána s existujícími výsledky v literatuře. Protože se však jedná o originální přístup, jsou některé výsledky práce s literaturou neporovnatelné. 1

This bachelor thesis presents a novel approach for speed of sound pre- diction in aqueous electrolytic solutions using machine learning techniques. A single model capable of accurately predicting the speed of sound in se- lected electrolytic aqueous solutions at different temperatures and molalities is trained. The machine learning experiment is designed to exploit the dis- sociation of electrolytes in water. Electrolytes are viewed as cation/anion pairs. Therefore, electrolyte description is based purely on its constituting ions. This approach allows to view the available data as a matrix in which rows represent cations, columns anions and each cell a full electrolyte. The idea of being able to fill cells for which no speed of sound data is yet avail- able is tested within the thesis. The final model's accuracy is compared to existent research on speed of sound prediction. However, some of the model approaches are novel and have no existing comparable settings. 1