先进的智能技术用于模拟氧气储存在以热岩为基础的多孔材料中的模型

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.
• 计算化学计算化学

背景情况:

• 从空气中分离氧和对于工业和医疗应用至关重要.
• 焦岩石为气体储存和分离提供了有前途的多孔结构.
• 预测石中的气体吸收是复杂的,需要先进的建模.

研究的目的:

• 使用先进的机器学习 (ML) 方法,预测石中氧气 (O2) 吸收能力.
• 基于实验数据,开发O2储存的可靠预测模型.
• 确定影响热石中O2吸收的关键因素.

主要方法:

• 使用的ML技术:通用回归神经网络 (GRNN),级联前进神经网络和多层感知器.
• 建立了750个实验性O2吸收值的数据库.
• 输入特征包括压力,孔径,温度和表面积.

主要成果:

• GRNN模型表现出卓越的性能,根平均平方误差为0.03,R2为0.9991.1,R2为0.9991.
• 模型在不同的压力和温度条件下准确地捕获了O2吸收趋势.
• 灵敏度分析表明压力对O2储存有积极的影响,而温度具有最显著的影响.

结论:

• ML技术对于精确预测热带石中的气体储存是有效的.
• GRNN显示出对O2吸收能力的特殊预测能力.
• 结果为推进空气分离技术提供了洞察力.