基于神经网络的离子液体中CO2溶解度预测与敏感性分析

《ACS Omega》：Neural Network–Based Prediction and Sensitivity Analysis of CO2 Solubility in Ionic Liquids

　　

在本研究中，研究人员利用人工神经网络（ANNs）结合在MATLAB中构建的前馈多层感知器设计，实现了对CO₂在离子液体BMIM中溶解的预测。模型使用两种公认的学习算法进行训练：Levenberg–Marquardt（LM）和Scaled Conjugate Gradient（SCG）。由实验结果和测量值组成的数据集用于训练和验证。这些实验结果涵盖温度范围从228到322 K，压力高达90 bar。使用SCG算法训练的ANN不如使用LM算法训练的ANN有效，因为该算法通过获得回归系数R = 0.9999和低误差（MSE ～10^–1）明显优于SCG模型。结果表明，这些模型不仅记住了已有的数据，而且训练平稳，能够对给定的新数据集做出准确预测，没有任何过拟合迹象。热力学原理已经确定，气体的溶解度在很大程度上取决于温度和压力，在这种情况下，即CO₂在[BMIM][BF₄]中的溶解度。敏感性分析也证实了这一原理，训练良好的ANN与此理论一致，因此它们对于预测复杂和非线性的化学过程是可靠的。

**论文解读：基于人工神经网络的离子液体中CO₂溶解度预测与敏感性分析**

**研究背景与问题**

大气中二氧化碳（CO₂）浓度自工业革命以来从280 ppm升至超过420 ppm，导致温室效应加剧、海洋酸化和全球变暖。国际气候变化专门委员会（IPCC）指出，若不立即采取行动减少温室气体排放，全球平均温度可能升高1.5–2.0 °C。碳捕集技术是应对这一挑战的关键手段，但传统的胺基化学吸收法存在能耗高、溶剂降解和设备腐蚀等缺点。离子液体（ILs）因其强CO₂亲和力、结构可调性和低分离能耗，成为胺溶剂的潜在替代品。然而，ILs种类繁多（阳离子和阴离子组合近乎无限），逐一实验测试耗时、昂贵且费力。因此，需要数据驱动的方法，如人工神经网络（ANNs），利用已有实验数据预测不同条件下CO₂在ILs中的溶解度，从而高效筛选和设计溶剂，推动碳捕集技术的商业化部署。

**研究内容与结论**

研究人员利用Lei等（2014）已发表的实验数据（温度228–322 K，压力2–90 bar，共139个数据点），在MATLAB中构建了前馈多层感知器人工神经网络（ANN），以温度和压力为输入，CO₂溶解度为输出。采用Levenberg-Marquardt（LM）和Scaled Conjugate Gradient（SCG）两种算法训练模型，并通过回归系数（R）、均方误差（MSE）、误差直方图和敏感性分析评估性能。结果表明，LM算法训练的ANN表现优异，R≈0.9999，MSE～10^–1，且无过拟合；SCG算法收敛更快但精度较低，R≈0.98，MSE较高。敏感性分析证实了温度与压力对CO₂溶解度的影响与热力学原理一致。外部验证使用独立数据集（[HMIM][BF₄]，146个数据点）得到R=0.8924，MSE=0.0462，说明模型具有良好的泛化能力。该研究发表于《ACS Omega》。

**关键技术方法**

1. 数据来源：Lei等（2014）实验数据，温度228–322 K，压力2–90 bar，共139个数据点。
2. 人工神经网络（ANN）架构：前馈多层感知器（MLP），输入层2个神经元（温度、压力），隐藏层1–10个神经元（优化后采用10个），输出层1个神经元（CO₂溶解度），激活函数为Sigmoid（隐藏层）和线性函数（输出层）。
3. 训练算法：Levenberg-Marquardt（LM）和Scaled Conjugate Gradient（SCG）。
4. 性能评估指标：回归系数（R）、均方误差（MSE）、误差直方图、残差分析。
5. 敏感性分析：基于扰动的方法，独立改变输入变量，计算归一化敏感性指数。
6. 外部验证：使用[HMIM][BF₄]的146个独立数据点（来自Lei等，2014）进行验证。

**研究结果**

**3.1 隐藏层大小对预测精度的影响（Effect of Layer Size on Prediction Accuracy）**
通过比较不同隐藏层神经元数（1–10）下回归系数R的变化，发现LM算法在神经元数≥4时R迅速接近1（R≈0.99–1.00），稳定且高；SCG算法波动较大，在神经元数较高时R较高但不稳定，且整体低于LM。

**3.2 回归分析（Regression Analysis）**
LM算法训练的ANN在训练、验证、测试及全部数据集上R≈0.9999，数据点紧密沿Y=T线分布，拟合直线斜率接近1，截距可忽略；SCG算法R≈0.98，数据点分散稍宽，预测不确定性增加。

**3.3 训练状态（Training State）**
LM算法梯度迅速下降至约5.3×10^–5，在epoch 162时达到最大验证失败次数（6次）后停止训练，避免过拟合；SCG算法梯度下降较慢，稳定在约5.24×10^–3，在epoch 41时因验证失败达到阈值而停止，收敛更快但精度较低。

**3.4 性能分析（Performance Analysis）**
LM算法均方误差（MSE）迅速下降，最佳验证MSE为1.0936×10^–5（epoch 156），训练与验证曲线高度重叠，测试误差稳定；SCG算法最佳验证MSE为1.1554×10^–3（epoch 35），误差水平较高。

**3.5 误差直方图（Error Histogram）**
LM算法误差直方图紧密围绕零误差线，呈对称分布，仅少数点出现较大误差；SCG算法误差分布较宽，正负误差均有出现，预测精度较低。

**3.6 敏感性分析：输入参数的相对重要性（Sensitivity Analysis: Relative Importance of Input Parameters）**
LM算法中温度贡献约65%，压力约35%；SCG算法中压力贡献约61%，温度约39%。两种算法均显示输入变量对CO₂溶解度有显著影响，但主导因素不同，这与热力学中温度和压力对溶解度的影响规律一致。

**3.7 ANN模型验证（Validation of the ANN Model）**
使用独立数据集[HMIM][BF₄]（146个点）进行外部验证，LM算法训练的ANN（10个隐藏节点）得到R=0.8924，MSE=0.0462，表明模型具有合理预测能力；误差直方图显示误差围绕零线分布，无系统偏差。

**讨论与结论**

**讨论总结**：研究结果充分验证了ANN在预测离子液体中CO₂溶解度方面的可靠性。LM算法凭借二阶优化特性，在精度和泛化能力上显著优于SCG算法。敏感性分析揭示了温度与压力对溶解度的相对贡献，与热力学原理（如亨利定律和溶解焓变）高度吻合。外部验证表明模型对新型离子液体（[HMIM][BF₄]）仍具良好预测能力，但预测精度略低于训练集，可能源于训练范围外的热力学效应。整体而言，ANN可有效替代大量实验，加速溶剂筛选过程。

**研究结论翻译**：本研究使用机器学习机制——人工神经网络（ANN）模型来预测不同温度和压力下CO₂在离子液体[BMIM][BF₄]中的溶解。通过利用实验报告中的数据，在MATLAB中构建了前馈多层感知器网络，并使用两种公认的算法：Levenberg–Marquardt（LM）和Scaled Conjugate Gradient（SCG）进行训练。通过这两种算法，研究人员能够比较ANN在模拟离子液体中CO₂吸收相关的复杂非线性热力学行为。经过训练的ANN实现了几乎为1的回归系数（R≈0.9999），极低的均方误差（～10^–1），以及平滑的收敛。回归分析、性能图和误差直方图一致展示了实验溶解度与预测数据之间的完美吻合，表明训练、测试和验证数据集上的最小偏差和强泛化能力。而使用SCG算法训练的网络收敛更快但不够稳健，导致误差水平更高、误差分布更宽以及预测精度降低。通过敏感性分析，进一步揭示了温度和压力对CO₂溶解度的影响。从结果中可以清楚地看出，根据所使用的训练算法，压力或温度被识别为主要影响因素。这些结果与离子液体中气液平衡的已知热力学原理一致，从而证明了ANN方法的有效性。