在金属有机框架中准确预测N2吸收能力
Arefeh Naghizadeh1, Ahmadreza Jafari-Sirizi1, Fahimeh Hadavimoghaddam2
1Department of Petroleum Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
Scientific reports
|October 8, 2025
概括
机器学习模型预测金属有机框架 (MOF) 中的吸附. XGBoost 卓越,确定温度是有效净化天然气的关键.
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:
- 有效的天然气净化对于能源和环境的可持续性至关重要.
- 使用金属有机框架 (MOF) 的吸附过程是N2分离的关键.
研究的目的:
- 开发和评估用于预测MOF中的N2吸附能力的机器学习模型.
- 确定影响N2吸收的关键物理化学参数.
主要方法:
- 使用了 3246 个实验 N2 吸附测量的数据集.
- 开发并比较了四种机器学习算法:CatBoost,XGBoost,DNN和GPR-RQ.
- 嵌入的参数,如温度,压力,孔径和表面积.
主要成果:
- XGBoost实现了卓越的预测准确性 (R2 = 0.9984,RMSE = 0.6085). 在此过程中,XGBoost实现了卓越的预测准确性 (R2 = 0.9984,RMSE = 0.6085).
- SHAP分析显示温度是影响N2吸附的最重要因素.
- 杆方法证实了模型域内94%的数据有效性.
结论:
- XGBoost精确地模拟了MOF中的N2吸附,这对于优化气体净化至关重要.
- 温度是这些材料中N2吸收的主要驱动因素.
- 开发的模型为基于MOF的气体分离应用提供了强大的框架.
