一个可解释的整体机器学习模型用于预测二氧化碳吸附在氧化基吸附剂上的二氧化碳吸附
Lin Fan1, Yan He2, Yunfeng Mo3
1Engineering Training Centre, Liaoning Petrochemical University, Fushun, 113001, Liaoning, China; School of Mechanical Engineering, Shenyang University of Technology, Shenyang 110870, Liaoning, China.
预测二氧化碳 (CO2) 在氧化 (MgO) 上的吸附是碳捕获的关键. 这项研究使用机器学习创建一个准确的预测模型,确定材料形态和过程条件作为关键因素.
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.
- 数据科学数据科学数据科学
背景情况:
- 准确预测二氧化碳 (CO2) 吸附对于开发有效的碳捕获技术至关重要.
- 基于氧化 (MgO) 的吸附剂对二氧化碳捕获有希望,但需要预测模型来优化其性能.
研究的目的:
- 开发一种可解释的机器学习框架,用于预测基于MgO的吸附剂的二氧化碳吸附能力.
- 确定影响吸附能力的关键材料和工艺参数.
- 为设计改进的二氧化碳吸附剂提供一个工具.
主要方法:
- 评估了14个候选机器学习模型.
- 使用Optuna.Optuna优化贝叶斯超参数优化的精选顶级模型.
- 构建了一个加权集成模型,集成重量方法和TOPSIS.
- 利用夏普利添加式解释 (SHAP) 进行特征重要性分析.
主要成果:
- 优化的组合模型在一个独立的测试集上获得了0.9903的R2.
- 材料形态,特别是颗粒状,是最重要的特征 (43.8%的贡献).
- 时间 (23.3%) 和温度 (14.1%) 等过程参数也是主要的贡献者.
- 最佳吸附条件被确定为中温 (200-400°C) 和吸附时间 (100-250分钟).
结论:
- 开发的机器学习框架为基于MgO的吸附剂的二氧化碳吸附提供了准确的预测.
- 材料形态和工艺参数显著影响吸附能力.
- 该研究提供了设计高性能MgO基CO2吸附剂的机制见解,以及用于实时预测的可部署网络应用程序.
更多相关视频
09:46Adsorption Device Based on a Langatate Crystal Microbalance for High Temperature High Pressure Gas Adsorption in Zeolite H-ZSM-5
Published on: August 25, 2016
08:00Author Spotlight: Standardizing the Development of Amine-Based Silica Composites as CO2 Adsorbents for Direct Air Capture
Published on: September 29, 2023
相关概念视频
Adsorption of Gases on Solids
Adsorption Isotherms II
Adsorption Isotherms I
Analyte Adsorption and Distribution
Mechanistic Models: Compartment Models in Individual and Population Analysis
Predicting Molecular Geometry
