一种数据驱动的机器学习方法,用于预测和优化金属有机框架上的硫化合物吸附
Mohsen Shayanmehr1, Sepehr Aarabi1, Ahad Ghaemi2
1School of Chemical, Petroleum and Gas Engineering, Iran University of Science and Technology, Tehran, Iran.
Scientific reports
|January 24, 2025
概括
机器学习模型准确地预测了MOF吸附能力,以去除硫化合物. 最初的硫度和接触时间是有效脱硫的关键因素.
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:
- 基化合物如基基 (BT),二基基 (DBT) 和4,6-二甲基基基 (4,6-DMDBT) 是燃料中常见的硫污染物.
- 金属有机框架 (MOFs) 由于其可调节的结构和高表面积,可以作为吸附剂来清除这些化合物.
- 预测建模可以优化MOF的选择和应用,以实现高效的脱硫.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测MOF对特定硫化合物的吸附能力.
- 确定影响MOF吸附剂脱硫效率的最有影响的特征.
- 使用ML预测,优化脱硫过程以获得最大的吸附能力.
主要方法:
- 利用Python编程和5个ML模型 (包括MLP和随机森林) 在676条条记录的数据集上进行训练.
- 与硫吸附能力相关的吸附物特性,吸附条件和吸附物特性.
- 采用沙普利添加剂计划 (SHAP) 方法进行特征重要性分析.
主要成果:
- 该MLP模型表现出卓越的性能,平均平方误差 (MSE) 低,为0.0032 (测试) 和0.0021 (训练).
- 最初的硫度 (SHAP值0.51) 和接触时间 (SHAP值0.37) 被确定为关键因素.
- 工艺条件成为影响脱硫效率的最重要的特征类别.
结论:
- ML技术,特别是MLP,是预测脱硫过程中MOF吸附性能的有效工具.
- 优化的工艺条件,包括初始度和接触时间,对于最大限度地去除硫至关重要.
- 该研究提供了一个框架,通过数据驱动的洞察来优化基于MOF的脱硫过程.
