相关实验视频
Updated: May 28, 2025
09:31
Surface Properties of Synthesized Nanoporous Carbon and Silica Matrices
Published on: March 27, 2019
9.3K
使用石墨碳化物进行选择性气体吸附:通过人工智能框架探索分子描述物的作用
Himanshu M Nagnure1, Tanishq Prasad1, Debashis Kundu1
1Department of Chemical Engineering, Institute of Chemical Technology, Marathwada Campus, Jalna, Maharashtra, 431203, India.
Journal of environmental management
|February 11, 2025
概括
人工智能 (AI) 框架准确地预测了石墨碳化物 (g-C3N4) 上的污染物吸附. 人工神经网络 (ANN) 等人工智能模型为环境材料设计提供了高效的替代方案.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 环境科学 环境科学
背景情况:
- 石墨碳化物 (g-C3N4) 是环境应用的一个有前途的材料.
- 准确估计污染物吸附对于设计有效材料至关重要.
- 计算吸附能量的传统方法可能是计算密集的.
研究的目的:
- 开发和评估人工智能 (AI) 框架,用于估计g-C3N4表面上的污染物吸附能量.
- 为了比较人工神经网络 (ANN) 和ANN与灰狼优化 (ANN-GWO) 模型的性能.
- 调查分子描述符对预测准确性的影响.
主要方法:
- 利用来自密度函数理论 (DFT) 计算的232个数据点来训练人工智能模型.
- 开发了包括ANN和ANN-GWO在内的AI模型.
- 生成2D和3D分子描述符作为AI模型的输入特征.
主要成果:
- 无论是ANN模型还是ANN-GWO模型都在估计吸附能量方面表现出高精度,对于CO2等极性气体,误差约为10^-7左右.
- 由于电子云扩散,NO2和HCHO等非极性气体显示出更大的预测偏差.
- 分子极性被确定为影响气体表面相互作用的关键因素.
结论:
- 人工智能框架为预测吸附特征的传统方法提供了一个计算效率高和强大的替代方案.
- 选择适当的分子描述器对于可靠的AI模型性能至关重要.
- 这项研究为设计用于环境修复和污染物捕获的先进材料提供了宝贵的见解.
更多相关视频
10:44Preparation of Biomass-based Mesoporous Carbon with Higher Nitrogen-/Oxygen-chelating Adsorption for CuII Through Microwave Pre-Pyrolysis
Published on: February 12, 2019
9.8K
08:00Author Spotlight: Standardizing the Development of Amine-Based Silica Composites as CO2 Adsorbents for Direct Air Capture
Published on: September 29, 2023
2.2K
