多胺混合溶剂中二氧化碳吸收性能的评估：结合实验方法和机器学习技术

《Energy & Fuels》：Evaluation of CO2 Absorption Performance in Multiamine Blended Solvents: Combining Experimental and Machine Learning Approaches

CO?吸收实验对比了MEA、DEA、AMP、MDEA单胺及MEA-MDEA混合胺的吸收速率、容量和再生能力，发现混合体系性能最优。机器学习模型中随机森林（RF）预测精度最高（R2=0.99），FNN和MLP次之，LSTM和SVR效果较差。

　　

本研究通过实验方法，考察了四种单一组分胺类溶液（单乙醇胺（MEA）、二乙醇胺（DEA）、2-氨基-2-甲基-1-丙醇（AMP）和N-甲基二乙醇胺（MDEA）以及不同比例下MEA与其他胺类混合物的二氧化碳（CO₂）吸收性能。结果表明，这些胺类在吸收速率和容量方面存在显著差异：MEA的吸收速率最快，DEA的吸收容量最大，而AMP的解吸能力最强。与单一组分溶液相比，MEA与MDEA的混合溶液表现出更明显的性能提升，其最大吸收速率和容量均显著优于纯MDEA。此外，研究还采用了六种机器学习模型（前馈神经网络（FNN）、多层感知器（MLP）、长短期记忆网络（LSTM）、随机森林（RF）、梯度提升树（GBT）和支持向量回归（SVR）来预测单一组分及混合胺类系统的CO₂吸收速率。其中，随机森林模型的预测精度最高，决定系数（R²）为0.99，均方根误差（RMSE）为0.039，平均绝对误差（MAE）为0.02；FNN和MLP模型在混合胺类溶液的预测中也表现良好，而LSTM和SVR的预测效果相对较低。