用机器学习加速设计高效吸附剂,用于盐湖水
Rui Zhang1, Siying Liu2, Cheng Lian2
1National Engineering Research Center for Integrated Utilization of Salt Lake Resources, State Environmental Protection Key Laboratory of Environmental Risk Assessment and Control on Chemical Process, East China University of Science and Technology, Shanghai, 200237, China.
Angewandte Chemie (International ed. in English)
|March 8, 2025
概括
机器学习快速识别出新的基吸附剂,以从盐水中有效提取. 这加快了盐湖工业先进材料的开发,提升了40%的回收率.
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.
- 机器学习 机器学习
背景情况:
- 对的日益增长的需求需要有效地从盐水中提取.
- 目前在盐湖中使用的基吸附剂具有有限的吸附能力.
- 传统的用于提高吸附剂的兴奋剂实验是劳动密集型和低效的.
研究的目的:
- 开发一种使用可解释机器学习 (ML) 的高通量选框架.
- 确定基吸附剂的高性能修改策略.
- 为了克服试错兴奋剂的局限性,并优化提取效率.
主要方法:
- 实施了一种可解释的机器学习 (ML) 框架,用于高通量选.
- 利用ML来预测基吸附剂的最佳剂策略.
- 准备并经过实验验证的改性吸附剂,评估稳定性和循环吸附.
主要成果:
- 确定了多特征和吸附能力之间的强烈相关性.
- 选的兴奋剂吸附剂显示了增强的结构稳定性和循环性能.
- 实验验证证证实,在各种盐水中,优化吸附剂的稳定吸附能力增加了近40%.
结论:
- ML加速方法显著提高了吸附剂的性能.
- 开发的框架迅速确定了有效的修改策略.
- 这项工作促进了在盐湖中提取资源的技术升级.
更多相关视频
10:03Characterization of Electrode Materials for Lithium Ion and Sodium Ion Batteries Using Synchrotron Radiation Techniques
Published on: November 11, 2013
25.4K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.4K
