Tính toán hệ số virial bậc hai của các khí Cl₂, N₂, CO và Ar kết hợp phương trình trạng thái virial và mô hình đa biến
Thành phần chất khí trong công nghiệp hóa học thường chứa các khí argon, nitơ,
cacbon monoxit và clo. Sự phát thải trực tiếp các khí này vào khí quyển cần phải
được hạn chế do tác động của chúng với môi trường. Để tách và lưu trữ chúng,
chúng ta cần phải biết đầy đủ tính chất tương tác giữa các phân tử. Hệ số virial bậc
hai đặc trưng cho tính chất tương tác phân tử. Bài báo sử dụng mô hình mạng thần
kinh kết hợp phân tích thành phần chính ANN-PCA I(5)-HL(6)-O(3) với giá trị sai
số MSE là 0,0069695 để dự đoán các hệ số a, b và c trong phương trình trạng thái
virial dựa vào các tính chất tới hạn của các chất khí. Hệ số virial bậc hai được xác
định một cách chính xác sử dụng các hệ số a, b và c được dự đoán. Hệ số virial tính
toán cũng rất gần với các hệ số virial dự đoán từ của phương trình thạng thái
Deiters và phù hợp với dữ liệu thực nghiệm.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Tính toán hệ số virial bậc hai của các khí Cl₂, N₂, CO và Ar kết hợp phương trình trạng thái virial và mô hình đa biến
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 13, Số 2 (2018) 25 TÍNH TOÁN HỆ SỐ VIRIAL BẬC HAI CỦA CÁC KHÍ Cl2, N2, CO VÀ Ar KẾT HỢP PHƢƠNG TRÌNH TRẠNG THÁI VIRIAL VÀ MÔ HÌNH ĐA BIẾN Nguyễn Thành Đƣợc1,4, Trần Dƣơng2, Phạm Văn Tất3,* 1Khoa Hóa học , Trường Đại học Khoa học, Đại học Huế 2Khoa Hóa học, Trường Đại học Sư phạm, Đại học Huế 3Bộ môn Kỹ thuật Môi trường, trường Đại học Hoa Sen, TP. Hồ Chí Minh 4Khoa Khoa học Tự nhiên, Đại học Thủ Dầu Một *Email: vantat@gmail.com Ngày nhận bài: 02/10/2018; ngày hoàn thành phản biện: 5/11/2018; ngày duyệt đăng: 10/12/2018 TÓM TẮT Thành phần chất khí trong công nghiệp hóa học thường chứa các khí argon, nitơ, cacbon monoxit và clo. Sự phát thải trực tiếp các khí này vào khí quyển cần phải được hạn chế do tác động của chúng với môi trường. Để tách và lưu trữ chúng, chúng ta cần phải biết đầy đủ tính chất tương tác giữa các phân tử. Hệ số virial bậc hai đặc trưng cho tính chất tương tác phân tử. Bài báo sử dụng mô hình mạng thần kinh kết hợp phân tích thành phần chính ANN-PCA I(5)-HL(6)-O(3) với giá trị sai số MSE là 0,0069695 để dự đoán các hệ số a, b và c trong phương trình trạng thái virial dựa vào các tính chất tới hạn của các chất khí. Hệ số virial bậc hai được xác định một cách chính xác sử dụng các hệ số a, b và c được dự đoán. Hệ số virial tính toán cũng rất gần với các hệ số virial dự đoán từ của phương trình thạng thái Deiters và phù hợp với dữ liệu thực nghiệm. Từ khóa: Mạng thần kinh ANN, hệ số virial, phương trình trạng thái virial, phân tích thành phần chính. I. GIỚI THIỆU Mô phỏng máy tính đã trở thành những công cụ không thể thiếu để nghiên cứu những chất lỏng và hỗn hợp chất lỏng. Kỹ thuật mô phỏng có thể tính toán các tính chất cấu trúc và nhiệt động học cũng như sự chuyển động của phân tử, hệ số virial là một tham số quan trọng về sự tương tác phân tử để đánh giá chất lượng tham số hàm thế tối ưu [[1]]. Kỹ thuật mô phỏng Monte Carlo cũng như động học phân tử, không thể thực hiện nếu không có thông tin đầu vào [[3]]. Thông thường có thể sử dụng một hàm thế đơn giản [[2]] như hàm thế cặp Lennard-Jones, có thể được sử dụng để khớp Tính toán hệ số virial bậc hai của các khí Cl2, N2, CO và Ar kết hợp phương trình trạng thái virial 26 với dữ liệu thực nghiệm tạo ra các tham số, và sau đó sử dụng để tiến hành mô phỏng [[4]]. Mô phỏng như vậy cho dự báo không lâu hơn, bởi vì quá trình mô phỏng cần thông tin đi vào cùng một tính chất giống nhau. Điều này cũng có thể là một hạn chế, cụ thể là nếu dữ liệu thực nghiệm không đủ [[5]]. Các kỹ thuật mô phỏng toàn cục đã được thực hiện cho các loại khí hiếm, mà hiện nay có thể được sử dụng để dự đoán cân bằng pha lỏng hơi mà không đòi hỏi dữ liệu thực nghiệm, cho kết quả với độ chính xác tương đương trong khoảng không chắc chắn của thực nghiệm [[8],[9],[11]]. Một trong những nỗ lực đầu tiên đạt được độ chính xác gần với thực nghiệm là các nghiên cứu của Deiters, Hloucha và Leonhard [[5],[6]] đối với khí neon. Sự tiến xa hơn trong các nỗ lực mô phỏng toàn cục của các chất khí hiếm đã công bố bởi nhóm Eggenberger và Huber [[7]-[10]] và Sandler [[11]]. Sử dụng một dạng hàm thế cho các thế khuếch tán của argon và krypton được đưa ra bởi Korona [[12]]; Nasrabad và Deiters thậm chí còn dự đoán cân bằng pha lỏng hơi ở áp suất cao của hỗn hợp khí hiếm [[13]]. Các hàm thế cặp của hỗn hợp các khí hiếm khác đã được López Cacheiro công bố [[14],[7]], nhưng vẫn chưa được sử dụng cho dự đoán cân bằng pha. Phát triển các hàm thế cặp ab initio cho các phân tử phức tạp hơn nhiều do độ tự do của góc giữa các phân tử thay đổi. Đối với một số phân tử đơn giản những hàm thế này đã được xây dựng bởi Leonhard và Deiters [[5]] khi sử dụng hàm thế Morse với 5 vị trí, để biểu diễn tương tác cặp của các phân tử nitơ và đã dự đoán được áp suất và tỷ trọng hơi. Bock cũng đã đưa ra một thế cặp 5 vị trí cho phân tử CO2 [[16]]; Ngoài ra các hàm thế tương tác bậc 2 có thể tiếp tục được hiệu chỉnh lượng tử bậc nhất cho các hệ số virial bậc 2 được Pack phát triển [[15]]. Naicker đã sử dụng lý thuyết nhiễu loạn đối xứng (SAPT) để phát triển một thế cặp tương tác 3 vị trí cho phân tử HCl [[11]], dựa trên cơ sở hàm thế Korona và một hàm thế Morse; nhóm của Naicker đã dự đoán thành công cân bằng pha lỏng hơi của HCl bằng mô phỏng Monte Carlo [[4]- [19],[20]]. Việc tìm kiếm các phương pháp khác nhau để tính toán các hệ số virial là cần thiết cho việc xây dựng các hàm thế tương tác phân tử và các kỹ thuật mô phỏng. Trong công trình này, chúng tôi sử dụng kết hợp kỹ thuật đa biến với mạng thần kinh nhân tạo để dự đoán các tham số của phương trình trạng thái virial từ các tính chất tới hạn của các hợp chất. Các kiến trúc của mạng thần kinh nhân tạo được xây dựng từ phương pháp phân tích thành phần chính và sử dụng để dự đoán các tham số trong phương trình trạng thái virial. Những kết quả nhận được từ các mạng thần kinh nhân tạo so sánh với dữ liệu thực nghiệm. TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 13, Số 2 (2018) 27 II. PHƢƠNG PHÁP TÍNH TOÁN 1. Phƣơng trình trạng thái virial Trong khí quyển, các khí luôn kèm theo các tính chất nhiệt động học quan trọng liên quan đến trạng thái của chúng và hệ số virial là một tham số thể hiện khả năng tương tác của chúng. Các tính chất nhiệt động bao gồm áp suất tới hạn Pc, thể tích mol tới hạn Vc,m, và nhiệt độ tới hạn Tc, mà tại đó tỷ trọng của các pha lỏng và khí cùng tồn tại đồng nhất. Vì vậy, phương trình trạng thái của khí [[25],[26]] chính xác ...//1/ 2 mmm VCVBRTpV (1) Trong đó R là hằng số khí 8,314 510 ± 0,000070 J K−1 mol−1; B và C là các hệ số virial bậc hai, bậc ba, <. Trong đó các hệ số virial bậc hai có thể được xác định bằng cách khớp các dữ liệu thực nghiệm ở các nhiệt độ khác nhau theo phương trình như sau: T Kc baTB / exp)molcm/()( 132 (2) Trong đó các tham ... số chuyển đổi Các khí loga logb logc exp. cal. ARE% exp. cal. ARE% exp. cal. ARE% N2 2,268 2,269 0,044 2,152 2,142 0,437 1,948 1,944 0,2 Ar 2,188 2,18 0,375 2,077 2,058 0,92 2,022 2,013 0,435 CO 2,307 2,311 0,169 2,188 2,18 0,366 1,974 1,973 0,056 Cl2 2,305 2,35 1,944 2,12 2,099 0,972 2,613 2,611 0,054 CO2 2,139 2,17 1,454 1,943 1,987 2,244 2,513 2,51 0,127 MARE, % 0,633 0,673 0,186 Các hệ số hồi phục Các khí a b c exp. recover ARE% exp. recover ARE% exp. recover ARE% N2 185,4 185,8 0,23 141,8 138,8 2,127 88,7 87,89 0,91 Ar 154,2 151,3 1,869 119,3 114,2 4,306 105,1 103,0 2,014 CO 202,6 204,4 0,902 154,2 151,4 1,818 94,2 93,97 0,248 Cl2 201,9 223,8 10,87 131,8 125,7 4,63 409,9 408,6 0,312 CO2 137,6 147,8 7,412 87,7 96,95 10,55 325,7 323,3 0,743 MARE, % 3,467 3,22 0,871 Các sai số được truyền ngược lại qua hệ thống để điều chỉnh các tham số trong mỗi lớp. Trong quá trình luyện mạng trên cùng một tập dữ liệu được xử lý nhiều lần vì trọng số kết nối đã được tinh chỉnh qua mỗi lần. Trong quá trình học, sai số lệch giữa đầu ra của mô hình mạng và đầu ra mong muốn giảm xuống dần theo quá trình luyện và được mô hình được kết nối tối ưu giữa đầu vào và đầu ra. Các quy tắc luyện được lưu lại để quá trình luyện lặp đi lặp lại trong quá trình luyện được giảm tối thiểu các sai số lỗi. Cấu trúc mạng thần kinh trong nghiên cứu này được biểu thị bằng một mạng lưới ba lớp, như đưa ra trong Hình 1. Mô hình mạng thần kinh ANN-PCA I(5)-HL(6)-O(3) được sử dụng để dự đoán các hệ số loga, logb và logc. Các giá trị dự đoán loga, logb và logc được phục hồi và so sánh với các tham số ban đầu, như được nêu trong Bảng 4. Các tham số loga, logb và logc nhận được từ mô hình ANN-PCA I(5)-HL(6)-O(3) được so sánh với các giá trị TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 13, Số 2 (2018) 33 được chuyển đổi từ tham số thực nghiệm, như được đưa ra trong Bảng 4. So sánh này không chỉ cho biết độ lớn của các giá trị sai số MARE,% đối với các giá trị được chuyển đổi và dự đoán loga, logb và logc; mà còn được sử dụng cho cả dữ liệu gốc thực nghiệm và giá trị phục hồi. Đây là những giá trị đo lường mức độ tin cậy và và độ chính xác của các phép tính, đã khẳng định các kết quả tính toán phù hợp với thực nghiệm và nằm trong khoảng không chắc chắn của thực nghiệm. Hình 3: So sánh hệ số virial bậc hai của các chất khí được tính bằng mạng ANN-PCA I(5)- HL(6)-O(3), phương trình trạng thái virial (2) *25+, phương trình trạng thái Deiters D1-EOS [24], và thực nghiệm, Exp. được lấy từ *25,26+. a) argon; b) khí N2; c) khí CO; d) khí Cl2. Các giá trị sai số MARE, % cho các tham số được tính bởi công thức sau: exp. cal 1 exp. 100 ,% n i x x MARE x n với n từ 1 đến 4 (4) Trong đó các giá trị xexp. và xcal. là các giá trị chuyển đổi logarit loga, logb và logc từ thực nghiệm và các giá trị tính toán từ mạng I(5)-HL(6)-O(3). Điều này cũng được áp dụng tương tự cho dữ liệu thực nghiệm ban đầu và dữ liệu phục hồi. Các dữ liệu phục hồi được sử dụng để tính toán các hệ số virial bậc hai cho khí argon, N2, CO và Cl2 được thể hiện trong Hình 3. Trong quá trình luyện mạng thần kinh nhân tạo ANN-PCA I(5)-HL(6)-O(3) đã được đánh giá chéo bằng cách sử dụng kỹ 100 200 300 400 500 -200 -150 -100 -50 0 Exp D1-EOS Eq.2 PCA-ANN B 2 (T )/ cm 3 .m o l- 1 T/K 100 200 300 400 500 -150 -100 -50 0 T/K B 2 (T )/ cm 3 .m o l- 1 Exp D-EOS Eq2 PC-ANN 100 200 300 400 500 -200 -150 -100 -50 0 T/K B 2 (T )/ cm 3 .m o l- 1 Exp D-EOS Eq2 PCA-ANN 200 300 400 500 -700 -600 -500 -400 -300 -200 -100 0 d)c) b) T/K B 2 (T )/ cm 3 .m o l- 1 Exp D-EOS Eq2 PCA-ANN a) Tính toán hệ số virial bậc hai của các khí Cl2, N2, CO và Ar kết hợp phương trình trạng thái virial 34 thuật loại bỏ từng trường hợp. Mô hình ANN-PCA I(5)-HL(6)-O(3) này thể hiện khả năng dự đoán tốt cho các tham số chuyển đổi loga, logb và logc. Các tham số chuyển đổi loga, logb và logc được sử dụng để phục hồi lại hệ số dạng ban đầu trong phương trình virial (2), như được đưa ra trong Bảng 4. Phương pháp phân tích phương sai một yếu tố [[27]] cũng được sử dụng để xác nhận các giá trị dự đoán của loga (F = 0,089 < F0,05 = 5,318), đối với logb (F = 0,00024 < F0,05 = 5,987), đối với logc (F = 0,00024 < F0,05 = 5,987); mà còn phục hồi dữ liệu cho các tham số a (F = 0,094 < F0,05 = 5,987), đối với tham số b (F = 0,0044 < F0,05 = 5,987) và đối với tham số c (F = 0,0002 < F0,05 = 5,987). Điều này cho thấy sự khác biệt giữa khả năng dự báo của mô hình ANN-PCA I(5)-HL(6)-O(3) và các giá trị thực tế là không đáng kể. Vì vậy, mô hình mạng thần kinh ANN-PCA I(5)-HL(6)-O(3) có thể được sử dụng để đánh giá các tham số a, b, và c của phương trình trạng thái virial (2). 3. Dự đoán hệ số virial Các hệ số virial của khí argon, N2, CO và Cl2 thu được từ quá trình tính toán bằng phương trình trạng thái virial (2) [[25]] sử dụng các hệ số a, b và c dự đoán trong Bảng 4. Các hệ số virial này cũng được tính bằng cách sử dụng phương trình trạng thái Deiters D1-EOS [[24]]. Các kết quả nhận được, so sánh với nhau và với dữ liệu thực nghiệm [[25],[26]], nhận thấy các hệ số virial bậc hai của các chất khí tính toán từ các phương pháp trong công trình này rất gần với dữ liệu thực nghiệm [[25],[26]] và với kết quả tính toán từ phương trình trạng thái Deiters, đã được mô tả ở Hình 3. Sự khác biệt giữa các kết quả tính toán và dữ liệu thực nghiệm là không đáng kể. Các hệ số virial tương tác bậc hai được tạo ra nằm trong vùng không chắc chắn của các phép đo thực nghiệm. IV. KẾT LUẬN Nghiên cứu này bước đầu mô tả thành công mối quan hệ giữa các tham số nhiệt động học tới hạn của các khí bằng phương pháp phân tích thành phần chính kết hợp sử dụng mạng thần kinh ANN-PCA I(5)-HL(6)-O(3). Kiểu kiến trúc mạng được xây dựng bằng cách sử dụng kỹ thuật phân tích thành phần chính nhằm nâng cao chất lượng mô hình và chất lượng dự đoán các hệ số loga, logb và logc trong phương trình trạng thái. Sau đó các dữ liệu được tái tạo lại dữ liệu định dạng ở dạng hệ số trong phương trình đã đạt chất lượng dự đoán cao với sai số MARE% rất nhỏ. Công trình này cũng đã sử dụng thành công thuật toán di truyền để tìm kiếm cấu trúc mạng thần kinh tối ưu I(5)-HL(6)-O(3) đáp ứng khả năng ứng dụng thực tế. Kỹ thuật này có thể cho phép hứa hẹn trong tương lai sử dụng để thành các mô hình mới theo cách này và đánh giá dữ liệu nhiệt động học của các hệ khác nhau. TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 13, Số 2 (2018) 35 Các hệ số virial thu được từ mô hình ANN-PCA I(5)-HL(6)-O(3) khớp rất tốt với các hệ số từ phương trình trạng thái virial và phương trình trạng thái Deiters. Trong tương lai chúng có thể được sử dụng hỗ trợ dự đoán các tham số sigma và epsilon trong hàm thế Lennard-Jones của các hệ chất lỏng. Điều này có thể được sử dụng để dự đoán dữ liệu nhiệt động học của hệ cân bằng lỏng hơi bằng sử dụng cho mô phỏng Monte Carlo toàn cục. TÀI LIỆU THAM KHẢO [1]. H. R. Maier, G. C. Dandy, J. Mathematical and Computer Modelling, Vol. 33, P. 669-682, (2001). [2]. R. Babuška, H. Verbruggen, Neuro-fuzzy methods for nonlinear system identification, Annual Reviews in Control, 27, 73–85, (2003). [3]. A.J. Stone, The theory of intermolecular forces, published in the United State by oxford university Press Inc., New York, (1996). [4]. A. Z. Panagiotopoulos, Mol. Phys., 61, 813-826, (1987). [5]. K. Leonhard and U. K. Deiters, Mol. Phys., 100, 2571-2585, (2002). [6]. T. M. Haarmann and W. Koschel, Proc. Appl. Math. Mech., 2, 360-361, (2003). [7]. M. Abbaspour, E. K. Goharshadi, Determination of potential energy functions of CO–CO, CO2–CO2, and N2O–N2O and calculation of transport properties, J. Chemical Physics., 330, 313–325 (2006). [8]. A. E. Nasrabad, R. Laghaei., Computational studies on thermodynamic properties, effective diameters, and free volume of argon using an ab initio potential, J. Chem. Phys. 125, 084510, (2006). [9]. A. E. Nasrabad, R. Laghaei, U. K. Deiters., Prediction of the thermophysical properties of pure neon, pure argon, and the binary mixtures neon-argon and argon-krypton by Monte Carlo simulation using ab initio potentials, J. Chem. Phys. 121, 6423, (2004). [10]. J. Stoll, J. Vrabec, H. Hasse, A set of molecular models for carbon monoxide and halogenated hydrocarbons, J. Chem. Phys. 119, 11396, (2003). [11]. P. K. Naicker, A. K. Sum, and S. I. Sandler, J. Chem. Phys., 118, 4086-4093, (2003). [12]. A. E. Nasrabad and U. K. Deiters, J. Chem. Phys., 119, 947-952, (2003). [13]. A. E. Nasrabad, R. Laghaei, and U. K. Deiters, J. Chem. Phys.,121, 6423-6434, (2004). [14]. J. López Cacheiro, B. Fernandez, D. Marchesan, S. Coriani, C. Hattig, and A. Rizzo, J. Mol. Phys., 102, 101-110, (2004). [15]. R. T. Pack, J. Chem. Phys., 78, 7217-7222, 1983. [16]. S. Bock, E. Bich, and E. Vogel, Chem. Phys., 257, 147-156, (2002). [17]. P. Diep and J. K. Johnson, J. Chem. Phys., 112, 4465-4473, (2000). [18]. P. Diep and J. K. Johnson, J. Chem. Phys., 113, 3480-3481, (2000). Tính toán hệ số virial bậc hai của các khí Cl2, N2, CO và Ar kết hợp phương trình trạng thái virial 36 [19]. P. L. Fast, M. L. Sanchez, and D. G. Truhlar, J. Chem. Phys., 111, 2921-2926, (1999). [20]. Jean-Loup Faulon, Andreas Bender., Handbook of chemoinformatics algorithms., Taylor and Francis Group., (2010). [21]. J. Zupan., J. Gasteiger., neural networks in Chemistry and Drug Design., Wiley-VCH, (1992). [22]. Deiters, U. A new semiempirical equation of state for fluids – I. Derivation. Chem. Eng. Sci., 36, 1139, (1981). [23]. Deiters, U. A new semiempirical equation of state for fluids – II. Application to pure substances. Chem. Eng. Sci., 36, 1147, (1981). [24]. U. K. Deiters, ThermoC project homepage: [25]. J. H. Dymond and E. B. Smith, The Virial Coefficients of Pure Gases and Mixtures. Clarendon Press, Oxford, (1980). [26]. D. R. Lide, Handbook of Chemistry and Physics. CRC Press, Raton, 85th edition, (2000). [27]. Issa Bass., SixSigma Statistics with Excel and Minita, McGraw-Hill, New York, (2007). [28]. R. D. Etters, R. Danilowicz, and W. England, Phys. Reviews A, 12, 2199-2212, (1975). [29]. B. E. Poling, J. M. Prausnitz, J. P. O'Connell., The Properties of Gases and Liquids, McGraw-Hill, New York, 3rd edn, p. 53 (2000). CALCULATION OF SECOND VIRIAL COEFFICIENTS OF GASES Cl2, N2, CO AND Ar COMBINING VIRIAL STATE EQUATION AND MULTIVARIATE MODEL Nguyen Thanh Duoc1,4, Tran Duong2, Pham Van Tat3,* 1 Faculty of Chemistry, University of Sciences, Hue University 2 Faculty of Chemistry, University of Eduction, Hue University 3 Hoa Sen University 4 Thu Dau Mot University *Email: vantat@gmail.com ABSTRACT The gaseous components in the chemical industry usually contain of mainly gases such as argon, nitrogen, carbon monoxide and chlorine. The direct emission of these gases into the atmosphere should be limited by their impact on the environment. For its storage and separation, we should sufficiently know the intermolecular interaction and the second virial coefficients that characterize the interaction of molecules. The paper uses the neural network model combining the TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 13, Số 2 (2018) 37 principal component analysis ANN-PCA I(5)-HL(6)-O(3) with the MSE error value of 0.0069695 to predict the coefficients a, b and c in the virial state equation based on the critical properties of gases. Second virial coefficients are correctly determined using the predicted coefficients a, b, and c. The computed virial coefficients are very close to the predicted virial coefficients of the Deiter equation and appropriate to the experimental data. Keywords: ANN neural network, virial coefficients, virial state equation; principal component analysis. Nguyễn Thành Đƣợc sinh ngày 10/10/1976 tại An Giang. Năm 2000, ông tốt nghiệp cử nhân Sư phạm ngành Hóa học tại Trường Đại học Cần Thơ. Năm 2008, ông tốt nghiệp thạc sĩ chuyên ngành Hóa lý thuyết và Hóa lý tại Đại học Cần Thơ. Từ năm 2011 đến nay, ông giảng dạy tại Trường Đại học Thủ Dầu Một, Tỉnh Bình Dương. Từ năm 2012 đến nay, ông là nghiên cứu sinh chuyên ngành Hóa lý thuyết và Hóa lý tại Trường Đại học Khoa học, Đại học Huế. Trần Dƣơng sinh ngày 01/01/1960 tại Quảng Ngãi. Năm 1981 ông tốt nghiệp ngành Hóa học tại trường Đại học Sư phạm Huế; tốt nghiệp thạc sỹ chuyên ngành Hóa vô cơ năm 1989 tại trường Đại học Sư phạm Hà Nội. Năm 2005 ông bảo vệ luận án tiến sĩ chuyên ngành Hóa vô cơ tại trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội. Năm 2016 ông được công nhận chức danh phó giáo sư chuyên ngành hóa vô cơ. Từ năm 1982 đến nay ông là giảng viên tại Khoa Hóa học, Trường Đại học Sư phạm, Đại học Huế. Lĩnh vực nghiên cứu: vật liệu vô cơ, hóa tính toán. Phạm Văn Tất sinh ngày 30/11/1966 tại Nam Định. Năm 1989 ông tốt nghiệp ngành Hóa học tại trường đại học Tổng hợp Hà Nội; tốt nghiệp Thạc sỹ ngành Hóa học Phân tích năm 2001 tại trường đại học Đà Lạt. Năm 2006 ông bảo vệ thành công luận án Tiến sĩ tại Viện Hóa lý và Hóa lý thuyết, trường đại học Cologne, Cộng hòa Liên bang Đức. Năm 2010 ông được nhà nước công nhận chức danh phó Giáo sư chuyên ngành Hóa lý và Hóa lý thuyết. Hiện nay là trưởng Bộ môn ngành Công nghệ Kỹ thuật Môi trường, trường đại học Hoa Sen. Lĩnh vực nghiên cứu: Hóa học tính toán lượng tử và Mô phỏng Monte Carlo các trạng thái cân bằng, Hóa học Phân tích, Hóa học Môi trường và Quản lý và Đánh giá chất lượng Môi trường bằng GIS, Viễn thám và Hệ thống Trí tuệ Nhân tạo. Tính toán hệ số virial bậc hai của các khí Cl2, N2, CO và Ar kết hợp phương trình trạng thái virial 38
File đính kèm:
- tinh_toan_he_so_virial_bac_hai_cua_cac_khi_cl_n_co_va_ar_ket.pdf