基于机器学习的烟草材料的热解特征和化学成分的定量分析

科学领域:

• 分析化学 分析化学
• 材料科学 材料科学 材料科学
• 计算化学计算化学

背景情况:

• 了解烟草热解对于材料的选择和加工至关重要.
• 量化热分解和化学成分之间的关系是复杂的.

研究的目的:

• 开发一种量化模型,将烟草的热解特征与其化学成分联系起来.
• 在热解过程中识别与特定化学成分相关的临界温度间隔.
• 为了评估不同机器学习算法对此任务的性能.

主要方法:

• 应用各种机器学习方法,包括部分最小平方 (PLS),支持向量回归 (SVR) 和高斯过程回归 (GPR).
• 对热重力测量数据的分析,以与19个关键化学成分的热减量率相关联.
• 鉴定热解过程中化学成分变化显著的特征温度间隔.

主要成果:

• PLS,SVR和GPR模型显示出显著的回归性能.
• PLS模型表现出最好的配合和预测准确性 (大多数组件的R2>0.85),表现出强大的概括性.
• SVR和GPR模型的性能相似,R2通常低于0.75.
• 化学成分的显著热解温度间隔被确定,主要在130°C和400°C之间.

结论:

• 机器学习,特别是PLS,为烟草热解和化学成分的定量分析提供了有效的工具.
• 识别的温度间隔为特定化学成分的热行为提供了洞察力.
• 这些发现可以指导烟草材料的选择,并阐明烧化过程中的成分相互作用.