一种基于CNN-LSTM神经网络的吸附异热识别方法
Kaidi Liu1, Xiaohan Xie2, Juanting Yan1
1School of Energy and Environmental Engineering, University of Science and Technology Beijing, Beijing, 100083, China.
Journal of molecular modeling
|August 31, 2023
概括
本研究介绍了一种混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型,用于准确的吸附同热体识别. 与传统方法相比,人工智能方法显著提高了效率和精度.
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.
- 计算化学计算化学
背景情况:
- 吸附异热体形态学为吸附机制提供了关键的见解.
- 鉴定吸附异热体的传统方法往往是低效的,容易出现错误.
- 神经网络方法为快速准确的识别提供了一个有希望的解决方案.
研究的目的:
- 开发和评估混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型,用于分类吸附异温体.
- 使用理论吸附方程创建一个全面的培训数据库,减少实验成本和时间.
- 用F1得分,ROC曲线和AUC指标来评估模型的性能.
主要方法:
- 使用Python 3.9,TensorFlow 2.11.0和Keras 2.10.0.0实现了一种混合CNN-LSTM模型.
- 通过吸附方程生成理论吸附异温体,以构建培训和验证数据集.
- 模型性能使用F1得分,接收器操作特征 (ROC) 曲线和ROC曲线下的面积 (AUC) 来评估.
主要成果:
- 该CNN-LSTM模型在训练和验证套件上都实现了100%的准确性.
- 该模型在测试组上显示了0.8885的平均F1得分.
- 宏观平均值和微观平均值的AUC值都超过了0.95,表明强大的概括能力.
结论:
- 混合CNN-LSTM模型为吸附异热体识别提供了一个高度准确和高效的方法.
- 这种由人工智能驱动的方法克服了传统方法的局限性,使得分析更快,更精确.
- 开发的方法对推进吸附科学和相关领域的研究具有重大潜力.
