在聚乙烯甘醇聚合物中二氧化碳溶解度:一个准确的智能估计框架

科学领域:

• 聚合物科学 聚合物科学
• 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:

• 聚乙烯甘醇 (PEG) 是一种多功能合成聚合物,具有众多应用.
• 在PEG中精确估计二氧化碳 (CO2) 溶解度对于碳捕获和超临界流体提取等过程至关重要.
• 二氧化碳越来越多地被用作各种工业应用中的溶剂或运输介质.

研究的目的:

• 开发先进的机器学习模型,用于预测PEG中的二氧化碳溶解度.
• 为了比较不同机器学习算法的性能,包括随机森林,决策树,自适应提升,K-最近邻居和集体学习.
• 确定影响PEG中二氧化碳溶解度的关键参数及其与目标变量之间的关系.

主要方法:

• 从现有文献中收集关于PEG中的二氧化碳溶解度的数据.
• 应用异常值检测方法以确保数据质量.
• 开发和评估多种机器学习模型 (RF,DT,AdaBoost,KNN,EL).
• 灵敏度分析,以确定输入参数 (压力,温度,PEG分子质量) 对二氧化碳溶解度的影响.

主要成果:

• 决策树 (DT) 模型在预测二氧化碳溶解度方面表现优异.
• DT模型实现了高精度,R平方值为0.991 (训练) 和0.801 (测试),并且错误指标低 (MSE: 0.0009,AARE%: 22.58).
• 灵敏度分析显示,压力和PEG分子质量与二氧化碳溶解度有直接关系,而温度则有反向关系.

结论:

• 开发的决策树模型为估计PEG中的二氧化碳溶解度提供了一个准确而强大的工具.
• 这种预测模型消除了对耗时,昂贵和繁的实验测量的需求.
• 这些发现有助于优化涉及CO2和PEG的过程,例如碳捕获和聚合物修饰.