在金属有机框架中利用先进的集体学习技术预测甲吸收
Aydin Larestani1,2, Behnam Amiri-Ramsheh1, Saeid Atashrouz3
1Department of Petroleum Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
Scientific reports
|August 29, 2025
概括
机器学习模型准确地预测金属有机框架 (MOF) 中的甲吸附. XGBoost实现了高精度,有助于开发用于储存天然气的先进吸附剂.
科学领域:
- 材料科学
- 化学工程
- 计算化学
背景情况:
- 吸附天然气 (ANG) 技术需要有效的吸附材料来储存甲.
- 由于其高表面积和可调性特性,金属有机框架 (MOF) 是有前途的.
- 准确地预测MOF中的甲吸附带来了重要的计算和实验挑战.
研究的目的:
- 实施整体机器学习 (ML) 模型,以准确估计MOF中的甲吸收能力.
- 评估梯度增强变种 (GBoost,XGBoost,LightGBM,CatBoost) 用于预测MOF甲吸附.
- 使用易于获得的MOF特征和实验条件建立预测模型.
主要方法:
- 为实验合成的MOF开发了一个大约2600个数据点的数据库.
- 应用基于集合的ML算法,包括XGBoost,以预测甲吸收.
- 使用的特征包括温度,压力,孔径和表面积.
- 实施异常值检测以确保数据的有效性.
主要成果:
- XGBoost表现出卓越的性能,相关系数 (R2) 为 0. 9955.
- 该模型准确地预测了甲 (CH4) 容量变化的物理趋势.
- 在预测模型中,压力被确定为具有高度影响力的特征.
- 异常值分析证实大约95%的数据点是有效的.
结论:
- 组合ML,特别是XGBoost,为估计MOF中的甲吸收提供了一个非常准确的方法.
- 开发的模型可以根据MOF的关键性质和条件可靠地预测甲吸附行为.
- 这种方法有助于选和开发用于 ANG 应用的先进 MOF 材料.
