对ANN和ANFIS预测建模与二氧化碳转化中的实验电化学性能数据的协同比较
Anil Kumar Deepati1, Movva Naga Swapna Sri2, Anusha Peyyala2
1Department of Mechanical Engineering Technology, CAIT, Jazan University, Jizan, Kingdom of Saudi Arabia.
Scientific reports
|December 30, 2025
概括
这项研究通过分析应用潜力和催化剂负载等关键因素来优化二氧化碳的转化,以预测法拉第效率和电流密度. 适应性神经模糊推理系统 (ANFIS) 模型显示了对二氧化碳电催化剂的卓越预测准确性.
科学领域:
- 电催化和二氧化碳的转化.
- 材料科学用于能源应用.
- 计算化学和预测建模
背景情况:
- 通过电化学方法减少二氧化碳 (CO2) 是可持续化工生产的一个有前途的途径.
- 优化性能指标,如法拉第效率 (FE) 和电流密度 (CD),对于高效的二氧化碳转换至关重要.
- 需要对各种输入参数进行系统评估,以开发可靠的预测模型.
研究的目的:
- 从高影响文献中系统评估二氧化碳转化性能指标.
- 根据关键输入参数,开发法拉第效率 (FE) 和电流密度 (CD) 的预测模型.
- 为了比较人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 模型的预测准确度.
主要方法:
- 关于二氧化碳转化实验的文献数据的汇编.
- 统计分析,包括剩余图和直方图来确认模型匹配和错误分布.
- 应用差异分析 (ANOVA) 来识别重要的影响因素.
- 人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 模型的开发和比较.
主要成果:
- 确定了最大限度地提高法拉第效率和电流密度的最佳电极配置.
- 确定催化剂负载和应用潜力是影响FE和CD的主要因素.
- 一个ANN模型显示出良好的预测性能 (R2 = 0.93726).
- 与ANN相比,ANFIS模型显示出更高的预测准确度,误差值较低 (RMSE,MAE).
结论:
- 该研究成功地确定了输入参数和二氧化碳转换输出之间的关系.
- 安菲斯提供了一个高度可靠和准确的建模方法,用于预测二氧化碳电催化性能.
- 研究结果为设计和优化二氧化碳转化电催化系统提供了宝贵的见解.
