基于机器学习的预测建模红外光谱数据从热转换的阿塔巴斯卡青

科学领域:

• 化学工程是化学工程的重要组成部分.
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 分析热裂解产品的传统物理测量是耗时的.
• 里埃变换红外光谱 (FTIR) 提供了宝贵的化学信息,但需要优化进行实时分析.
• 开发软传感器可以弥合慢慢的物理方法和快速的在线监控之间的差距.

研究的目的:

• 开发一种可靠的软传感器,用于预测来自阿塔巴斯卡的热裂解产品的FTIR强度.
• 通过使用各种机器学习 (ML) 技术,提高FTIR光谱学的预测精度和效率.
• 在过程监控中减少对缓慢,传统物理测量的依赖.

主要方法:

• 不同ML模型的实施:线性回归 (LinR),PLSR,SVR,k-NN,RF和GBR.
• 在四个不同的场景中训练和测试模型,温度 (25-420°C) 和反应时间各不相同.
• 利用贝叶斯优化对超参数调整来优化模型性能.

主要成果:

• 梯度增强回归 (GBR) 始终显示出最高的预测准确性 (R2).
• 在场景1 (所有数据) 中,GBR实现了99.66%的准确性,在场景2 - 4 (准确性为80.40 - 94%) 中,在各种温度条件下实现了强大的性能.
• 集成方法,特别是GBR,超过了RF,k-NN,LinR和PLSR等单个模型.

结论:

• 通过贝叶斯调优化的GBR模型对于预测FTIR强度非常有效.
• 开发的软传感器为传统的物理实验提供了可靠,节省时间的替代方案.
• 将ML与贝叶斯优化集成在一起,显著提高了用于化学分析的在线FTIR光谱预测.