生物炭のH₂S吸着容量の厳密な機械学習フレームワークを用いた予測

科学分野:

• 環境科学
• 材料科学
• データサイエンス

背景:

• 生物炭は、硫化水素（H₂S）除去のための持続可能な吸着剤です。
• H₂S吸着容量は、生物炭の特性と操作条件の複雑な相互作用の影響を受けます。
• H₂S吸着の正確な予測は、ガス精製における生物炭応用の最適化に不可欠です。

研究 の 目的:

• 生物炭のH₂S吸着容量を予測するための様々な機械学習（ML）モデルを開発し、比較すること。
• 生物炭のH₂S吸着性能に影響を与える主要因を特定すること。
• 生物炭スクリーニングの実験的方法に代わる計算効率の高い代替法を提供すること。

主な方法:

• 文献から得られた277のデータポイントを、決定木、ランダムフォレスト、AdaBoost、KNN、CNN、SVR、およびアンサンブル学習モデルを用いて訓練しました。
• 生物炭の物理化学的特性、熱分解、および反応条件を含む包括的な入力を利用しました。
• 5倍交差検証と外れ値評価によりモデルの堅牢性を確保し、SHAP分析を用いて特徴量を解釈しました。

主要な成果:

• K近傍法（KNN）モデルが最も高い精度（R^2 ≈ 0.94）を達成しました。
• ブレークスルー時間、比表面積、ガス湿度、およびO/N比が主要因として特定されました。
• SHAP分析により、特徴量の寄与に関する解釈可能な洞察が得られました。

結論:

• MLモデル、特にKNNは、生物炭のH₂S吸着容量の正確で解釈可能な予測を提供します。
• このアプローチは、ガス精製のための生物炭の迅速なスクリーニングと最適化を容易にします。
• 本研究は、持続可能な吸着剤技術の進歩におけるデータ駆動型手法の可能性を強調しています。