基于混合机器学习模型的预测,对嵌入细菌纤维素的聚2-基乙烯甲酸) -聚乙烯醇) 复合制冷凝的特性进行预测
Jiawei Wu1, Ruobing Wang1, Yan Tan1
1State Key Laboratory Breeding Base of Green Chemistry Synthesis Technology, College of Chemical Engineering, Zhejiang University of Technology, Chaowang Road 18, Hangzhou 310032, PR China.
Journal of chromatography. A
|May 19, 2024
概括
这项研究使用机器学习来预测与细菌纤维素配合的聚二乙基甲酸) -聚乙烯醇) 复合型冷凝的性能. 梯度增强回归树模型准确地预测了用于生物分离和组织工程应用的冷凝特性.
科学领域:
- 聚合物科学 聚合物科学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 超宏复合型冷凝提供可调节的功能,用于生物分离,组织工程和药物输送.
- 组件的变化显著影响冷凝的特性,需要预测模型来设计高效的材料.
研究的目的:
- 开发一种混合机器学习方法,用于预测嵌入细菌纤维素 (pHEMA-PVA-BC) 的聚二基乙基甲酸) -聚乙烯醇复合制冷凝的性能.
- 通过预测建模来确定理想的冷凝性质的最佳成分.
主要方法:
- 利用叠加采样统一设计 (OSUD) 来创建基于不同度的HEMA,PVA,聚乙烯糖,BC和水的数据集.
- 采用随机森林 (RF) 来对准备条件进行分类,并开发了人工神经网络,RF,梯度增强回归树 (GBRT) 和XGBoost模型用于财产预测.
主要成果:
- 射频模型准确地将准备条件分为三个类别.
- GBRT 模型对冷凝特性表现出优异的预测性能,在透性 (16.04%),有效多孔性 (0.85%) 和理论板的高度 (2.44%) 上实现了低平均绝对百分比误差.
- 鉴定证实了优良的材料性能,包括高有效透度 (81.01%) 和低流电阻.
结论:
- 开发的机器学习模型,特别是GBRT,可以有效地预测和设计pHEMA-PVA-BC复合制冷凝.
- 这项研究强调了PVA和BC含量对冷凝性能的重大影响,为目标材料开发提供了见解.
- 这种方法有助于高效设计和制备定制复合材料冷凝,用于先进的应用.
更多相关视频
12:22Synthesis of Thermogelling PolyN-isopropylacrylamide-graft-chondroitin Sulfate Composites with Alginate Microparticles for Tissue Engineering
Published on: October 26, 2016
11.8K
08:53In Vitro Model Integrating Substrate Stiffness and Flow to Study Endothelial Cell Responses
Published on: July 19, 2024
476
