模拟和比较CO₂/CH₄通过联神经网络来模拟和比较膜-烯酸接触器的分离性能

科学领域:

• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.
• 人工智能的人工智能

背景情况:

• 温室气体排放需要有效的二氧化碳 (CO2) 捕获技术.
• 膜技术,特别是混合矩阵膜 (MMM) 与SAPO-34热带石,显示出对二氧化碳分离的希望.
• 关于在MMM中建模二氧化碳捕获性能的研究有限.

研究的目的:

• 在SAPO-34 MMMs中开发和验证用于预测CO2/CH4选择性的机器学习模型.
• 为了研究级联神经网络 (CNN) 模拟MMM性能的应用.
• 建立一个预测工具,以优化二氧化碳捕获的MMM.

主要方法:

• 合成的混合矩阵膜 (MMM) 包含SAPO-34地.
• 使用级联神经网络 (CNN) 来进行数据建模和预测.
• 通过试错和统计监测优化了CNN拓 (4-11-1).
• 对CO2/CH4选择性的实验数据验证了模型.

主要成果:

• 优化的4-11-1 CNN拓在预测CO2/CH4选择性方面取得了很高的准确性.
• 该模型准确地模拟了在不同条件下的七种不同的MMM的选择性.
• CNN模型预测了118个实验测量结果,平均绝对相对偏差 (AARD) 为2.92%.

结论:

• 级联神经网络提供了一个高度准确和可靠的方法,用于模拟SAPO-34 MMMs中的CO2 / CH4选择性.
• 开发的CNN模型可以准确预测各种MMM的性能,有助于材料选择和过程优化.
• 这项研究强调了人工智能在推进基于膜的碳捕获技术方面的潜力.