.png){kind=icon}
返回
Domain Knowledge-Driven Machine Learning Model for Performance Prediction and Structural Optimization of Solid Amine CO2 Adsorbents
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.iecr.5c02823.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
固体胺吸附剂因其CO2捕获潜力而备受关注；然而，传统方法往往难以充分反映材料性质对吸附性能的综合影响。本研究提出了一种特征增强机器学习模型（FEXGB-DNN），该模型融合领域知识，用于准确预测CO2吸附容量并优化材料结构。该模型整合了多维特征，包括化学组成、载体孔结构和吸附条件，并引入了一个新型特征——胺效率，该特征源于传统机器学习模型的特征重要性分析。FEXGB-DNN模型展现出优异的泛化能力和预测精度（RMSE = 0.40，R² = 0.93，k = 0.91，b = 0.18）。部分依赖图分析量化了各特征的影响并揭示了显著的特征交互作用，特别是在孔结构参数方面。值得注意的是，硅基载体在平均孔径约为9 nm、孔容在0-0.5或2-3 cm³/g范围内以及有机胺含量为18-20 wt %氮时表现出最佳性能。此外，FEXGB-DNN模型被应用于指导特定材料的性能预测和结构优化，实验验证确认了模型驱动设计的有效性。本研究不仅提供了一种高精度预测工具，更重要的是揭示了载体物理化学特性与最终吸附性能之间的复杂构效关系，从而为CO2捕获用先进材料的设计建立了理论与应用框架。
Keyword:
ADSORPTION
CAPTURE
期刊
I
IF:
0
论文数:
1
被引数:
0
机构
引用论文
Understanding Rejection Mechanisms of Trace Organic Contaminants by Polyamide Membranes via Data-Knowledge Codriven Machine Learning通过数据知识驱动的机器学习了解聚酰胺膜对痕量有机污染物的排斥机制
PREAI
分享收藏Machine Learning in Environmental Research: Common Pitfalls and Best Practices环境研究中的机器学习: 常见陷阱和最佳实践
PREAI
分享收藏Reinforced CO2 Capture on Amine-Impregnated Organosilica with Double Brush-like Additives Modified
PREAI
分享收藏
Enhanced Adsorption Efficiency through Materials Design for Direct Air Capture over Supported Polyethylenimine.png)
CHEMSUSCHEM
CHEMSUSCHEMIF6.6
PREAI
分享收藏B-PINNs: Bayesian physics-informed neural networks for forward and inverse PDE problems with noisy dataB-pinns: 贝叶斯物理通知神经网络，用于带噪声数据的正向和反向PDE问题
OAAI
OAAI分享收藏
查看更多内容