通过人工智能和计算流体动力学推进通过多孔材料吸附的先进计算评估

科学领域:

• 环境科学 环境科学
• 化学工程是化学工程的重要组成部分.
• 数据科学数据科学数据科学

背景情况:

• 吸附分离过程在环境监测和工业应用中至关重要.
• 精确的化学度建模对于过程优化至关重要.
• 传统方法可能缺乏复杂吸附动态所需的精度.

研究的目的:

• 为了比较三种人工智能 (AI) 回归模型的性能,用于预测吸附过程中的溶液度.
• 用计算流体动力学数据评估高斯过程回归 (GPR),多层感知器 (MLP) 和多项式回归 (PR).
• 确定最有效的AI模型,用于在吸附过程中准确预测化学度.

主要方法:

• 使用了一个数据集,其中有两个输入变量 (x,y) 和一个输出特征 (度,C).
• 实现了基于梯度的超参数优化,用于AI模型.
• 进行了GPR,MLP和PR模型的比较分析,包括五倍交叉验证.

主要成果:

• 多层感知器 (MLP) 获得了最高的R2得分 (0.999) 和最低的根平均平方误差 (RMSE:0.583).
• MLP表现出最低的平均绝对相对偏差 (AARD%),为2.564%,明显超过了GPR和PR.
• 交叉验证证实了MLP的强大可靠性,其中R2 = 0.998 ± 0.001和RMSE = 0.590 ± 0.015.

结论:

• 多层感知器 (MLP) 是一种高效的AI模型,用于准确预测吸附过程中的化学度.
• 这些发现强调了人工智能的实际实用性,特别是MLP,用于环境监测和优化基于吸附的分离.
• 这项研究推动了人工智能和计算流体动力学的集成,用于复杂的过程建模.