机器学习模型 洞察基质催化热水性氨酸脱聚化
Abraham Castro Garcia1, Shuo Cheng1, Shawn E McGlynn2,3
1Department of Transdisciplinary Science and Engineering, School of Environment and Society, Tokyo Institute of Technology, 2-12-1 S6-10, Ookayama, Meguro-ku, Tokyo 152-8552, Japan.
ACS omega
|September 11, 2023
概括
机器学习模型准确地预测了从素脱聚合过程中产生的生物油和固体残留产量. 温度和反应时间被确定为影响实验结果的关键因素,有助于未来的研究和报告准则.
科学领域:
- 生物质转换生物质转换
- 化学工程是化学工程的重要组成部分.
- 机器学习应用 机器学习应用
背景情况:
- 植物生物质成分素为可再生化学品和生物燃料提供了潜力,但未得到充分利用.
- 在水中均催化素脱聚合是有希望的,但缺乏标准化的产量报告.
- 对生物油和固体残留产量的不一致报告妨碍了工艺优化和可比性.
研究的目的:
- 开发可预测的机器学习模型,用于生物油和固体残留在素脱聚合过程中的产量.
- 通过实验工作验证模型预测.
- 确定影响脱聚合结果的关键反应变量.
主要方法:
- 利用机器学习算法构建生物油和固体残留产量的预测模型.
- 使用反应变量作为模型的输入特征.
- 使用实验数据和计算的确定系数 (R2) 验证模型性能.
- 使用两种不同的方法评估变量的重要性,包括沙普利添加式解释 (SHAP).
主要成果:
- 生物油产量达到0.83的R2分数,固体残留产量达到0.76的R2.
- 确定温度和反应时间是实验结果最重要的预测因素.
- 变量重要性分析与现有文献保持一致,提供机械洞察力.
结论:
- 机器学习模型为素脱聚合产量提供可靠的预测.
- 制定明确的报告准则对于推进素脱聚合研究至关重要.
- 温度和反应时间是关键参数,需要仔细控制和报告.
