Acelerar el cribado de agentes de separación de fase para la captura de dióxido de carbono: un marco de aprendizaje...

Área de la Ciencia:

• Ingeniería Química Ingeniería Química.
• Química computacional es la química computacional.
• Ciencia de los materiales Ciencia de los materiales.

Sus antecedentes:

• La captura de carbono es crucial para la mitigación del cambio climático y la neutralidad de carbono.
• Los métodos de cribado del agente de separación de fase actual (PSA) para los absorbentes carecen de eficiencia y precisión debido a la dependencia de parámetros estáticos.
• Los efectos electrónicos y el equilibrio de fase a menudo se pasan por alto en el cribado tradicional del PSA.

Objetivo del estudio:

• Desarrollar un método de cribado novedoso, preciso y eficiente para los agentes de separación de fases (PSA) en la captura de dióxido de carbono.
• Integrar la química cuántica y el aprendizaje automático para mejorar el descubrimiento de PSA.
• Comprender los factores electrónicos y geométricos que rigen la separación de fases en los sistemas amina-agua.

Principales métodos:

• Se construyeron 434 sistemas experimentales y se seleccionaron 358 conjuntos de datos válidos para mezclas de aminas, PSA y agua.
• Desarrolló un sistema descriptor químico cuántico 3D con 48 parámetros electrónicos dinámicos y una caracterización molecular centrada en aniones.
• Empleó un marco de aprendizaje automático de dos etapas, incluyendo el Bosque Aleatorio para la selección de características y CatBoost como el clasificador óptimo.

Principales resultados:

• Se identificaron 34 características clave, haciendo hincapié en descriptores relacionados con aniones como el Índice de Discreto Orbital y el Potencial Electrostático.
• El modelo CatBoost logró una precisión de prueba del 89,7% y un recuerdo de cambio de fase del 96,3%.
• El análisis SHAP reveló que los valores más bajos del Índice de Discreto Orbital y las propiedades geométricas/electrónicas específicas de los aniones aminos impulsan la separación de fase.

Conclusiones:

• El enfoque integrado de química cuántica y aprendizaje automático proporciona una solución precisa e interpretable para el diseño racional de PSA.
• Este método mejora significativamente la eficiencia y la precisión del cribado de los materiales de captura de dióxido de carbono.
• Los hallazgos aceleran el desarrollo de absorbentes de alto rendimiento para lograr la neutralidad de carbono global.