使用机器学习在聚合物膜中的气体分离性能的实际预测

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:

• 基于膜的气体分离对于碳捕获和清洁能源至关重要.
• 不一致的实验数据使得直接比较膜性能变得复杂.

研究的目的:

• 应用机器学习 (ML) 来预测聚合物膜中的气体透性.
• 开发和评估集合回归算法,以提高预测准确度.
• 确定影响气体透性和高性能膜的关键因素.

主要方法:

• 利用了来自603种聚合物的3618项数据集,这些数据来自6种气体 (CO2,N2,H2,He,O2,CH4) 的6种聚合物.
• 开发并评估了集合回归算法:随机森林,梯度提升,XGBoost和额外树木.
• 在Barrer.中使用平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型准确性.
• 员工特征的重要性和SHAP解释,以了解预测驱动因素.

主要成果:

• 随机森林表现出优异的表现,MAE为346.92巴雷尔和RMSE为888.69巴雷尔.
• 膜结构,操作条件和气体特性被确定为透性的关键因素.
• 与罗伯森上限对比的ML预测确定了CO2/N2和CO2/CH2分离的有希望的膜.

结论:

• 机器学习有效地预测了聚合物膜中的气体透性.
• ML驱动的选加速了新型气体分离材料的发现和设计.
• 这种方法支持下一代材料的开发,用于碳捕获和能源应用.