通过合成复合材料对CO2捕获的研究和用机器学习和响应表面方法学的建模

科学领域:

• 材料科学:开发和描述新型吸附材料.
• 化学工程:优化气体分离过程.
• 计算建模:人工智能用于过程预测的应用.

背景情况:

• 有效地将二氧化碳 (CO2) 与天然气分离,对于能源生产和环境保护至关重要.
• 接种束纳米纤维吸附剂提供了增强二氧化碳捕获的潜力.
• 使用人工神经网络 (ANN) 和响应表面方法 (RSM) 的预测建模可以优化吸附剂性能和工艺条件.

研究的目的:

• 研究和优化使用接种束纳米纤维吸附剂 (NF-PAN/PUGMA) 从天然气中分离二氧化碳.
• 为了比较人工神经网络 (ANN) 模型 (多层感知子 - MLP,辐射基函数 - RBF) 和对二氧化碳吸附的响应表面方法 (RSM) 的预测能力.
• 确定NF-PAN/PUGMA吸收剂的最佳合成参数,以最大限度地提高二氧化碳吸附能力.

主要方法:

• 接种束纳米纤维吸附剂 (NF-PAN/PUGMA) 的合成.
• 在吸附柱中从天然气中吸附二氧化碳的实验研究.
• 响应表面方法 (RSM) 的应用,以优化合成因子和研究参数相互作用.
• 开发和比较多层感知器 (MLP) 和辐射基函数 (RBF) 人工神经网络模型,用于预测二氧化碳吸附能力.

主要成果:

• 多层感知器 (MLP) 模型对二氧化碳吸附能力的预测准确度最高,相关系数 (R2) 为0.9968,平均绝对相对偏差 (AARD) 最低,为0.00045511.
• 响应表面方法 (RSM) 确定了最佳合成参数:25.80%的GMA,66.45%的氨基含量和28kGy的辐射强度,以最大限度地增加二氧化碳吸附.
• 两种RSM和ANN模型都有效地研究了合成参数之间的相互作用及其对二氧化碳吸附能力的影响.

结论:

• 该MLP人工神经网络模型提供了一个高度准确和可靠的工具,用于预测使用NF-PAN/PUGMA吸附剂的二氧化碳吸附能力.
• 优化的合成条件显著提高了纳米纤维吸附剂的二氧化碳吸附性能.
• 开发的模型为工程师提供了一种具有成本效益的方法,可以在没有广泛的实验试验的情况下预测和优化二氧化碳捕获过程.