数据驱动分析水相二异丙醇胺基胺共混物中CO2负载行为

《Digital Chemical Engineering》：Data-driven analysis of CO 2 loading behavior in aqueous diisopropanolamine-based amine blends

　　

准确预测胺水溶液中的CO₂负载对于碳捕集工艺的设计与优化至关重要。本研究中，研究人员开发了五种机器学习模型，包括决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）、高斯过程回归（Gaussian Process Regression, GPR）、多层感知器（Multilayer Perceptron, MLP）和径向基函数（Radial Basis Function, RBF）神经网络，用于预测基于水性二异丙醇胺（Diisopropanolamine, DIPA）的胺共混物中的CO₂负载。从文献中收集了一个包含729个实验数据点的综合数据集，覆盖温度为297.8–393.1 K，CO₂分压为0.12–5888 kPa，胺浓度为10–45 wt.%。使用决定系数（R²）、平均绝对相对偏差（Average Absolute Relative Deviation, AARD）和均方根误差（Root Mean Square Error, RMSE）评估所开发模型的预测性能。在所研究的模型中，RBF网络表现出最高的预测精度，实现了R²为0.9706，AARD为5.74%，RMSE为0.0501。相关性因子分析确定CO₂分压为最具影响力的参数，而温度对CO₂负载表现出负面影响。所提出的机器学习框架为预测水性DIPA基胺共混物中的CO₂负载提供了一种准确且计算高效的工具，为溶剂筛选和碳捕集工艺优化提供了有价值的支持。

本研究聚焦于基于数据驱动的CO₂负载预测，以支持碳捕集工艺中的溶剂筛选和过程优化。全球变暖的主要驱动力是CO₂排放，碳捕集技术被视为一种低成本减排途径。胺基溶剂吸收法是应用最广的燃烧后碳捕集（Post-combustion Carbon Capture, PCC）技术之一，其中二异丙醇胺（DIPA）作为仲胺，具有高CO₂选择性、低腐蚀性、低再生能耗等优点。将DIPA与其他胺混合可进一步提高CO₂负载并改善吸收动力学和再生性能。然而，实验室测量CO₂负载耗时且昂贵，传统热力学模型如Kent–Eisenberg和电解质NRTL模型在多元胺体系中需要大量平衡常数和相互作用参数，参数估计复杂且系统特异。因此，建立一种准确、高效的CO₂负载预测方法具有重要意义。

研究人员从已发表的10项研究中收集了729个实验数据点，涵盖二元、三元和四元水性DIPA基胺体系，包括DIPA单体、DIPA-MDEA、DIPA-MEA、DIPA-AMP、DIPA-AMP-PZ、DIPA-AEEA-PZ和DIPA-MEA-AMP等，温度范围为297.8–393.1 K，CO₂分压为0.12–5888 kPa，胺浓度为10–45 wt.%。输入变量为温度（T）、CO₂分压（P）和溶液分子量（Mw），输出为CO₂负载（α）。数据集按80/20随机分为训练集（583点）和测试集（146点）。研究人员在MATLAB 2024中实现了五种机器学习模型：决策树（DT）、支持向量机（SVM）、高斯过程回归（GPR）、多层感知器（MLP）和径向基函数（RBF）网络。DT、SVM和GPR采用贝叶斯优化，MLP采用贝叶斯正则化训练，RBF采用插值方法。模型性能通过决定系数（R²）、平均绝对相对偏差（AARD）和均方根误差（RMSE）评估，并使用相关性因子分析各输入变量的贡献。

### 4.1 不同算法的比较

研究人员通过R²、RMSE和AARD三种指标对五种模型的预测精度进行了系统比较。结果表明，RBF模型在误差类指标上最优，其总R²为0.9706，总AARD为5.74%，总RMSE为5.01%；DT的R²略高（0.9726），但AARD达8.17%，预测一致性不如RBF；MLP排名第三，总R²为0.9659，AARD为8.37%；SVM和GPR表现相对较弱，总R²分别为0.9489和0.9576，AARD分别为11.17%和9.91%。进一步按体系复杂度分析，RBF在二元体系中的AARD为4.78%，三元体系为6.99%，四元体系为4.46%，均低于DT和MLP，表明其对化学组成复杂性的鲁棒性。残差分布显示RBF模型的残差随机对称地分布在零附近，无系统偏差。

### 4.2 RBF模型的验证

研究人员将RBF模型的预测值与不同温度、压力和溶剂组成下的实验数据进行了对比。在二元、三元和四元DIPA基体系中，预测值与实验值均表现出良好的一致性。模型正确捕捉了CO₂溶解度随压力升高而增加、随温度升高而降低的趋势，验证了RBF模型在不同操作条件和溶剂组成下的适用性。

### 4.3 相关性因子分析

通过相关性因子分析，研究人员定量评估了温度、CO₂分压和分子量对CO₂负载的贡献。CO₂分压呈现最高的正相关因子，是影响CO₂负载的最主要参数；温度呈现强负相关，这与CO₂吸收放热反应的热力学特征一致；分子量呈弱正相关，表明胺的种类和浓度对CO₂吸收有一定影响，但弱于压力和温度。

### 4.4 机器学习模型对CO₂溶解度预测的性能比较

尽管DT和RBF的R²相近，但RBF更低的AARD和RMSE说明其预测偏差更小，评价模型性能时需结合误差指标。RBF网络的优越性源于其局部化的激活函数结构，能够有效逼近气液吸收系统中温度、分压和溶剂组成耦合产生的强非线性关系。在四元体系中，这种非线性因额外胺组分及其相互作用而更加复杂，但RBF仍保持了较低的预测误差。

综合讨论表明，在非线性吸收系统中采用基于误差的评估指标至关重要；RBF网络因其局部逼近能力在复杂多元体系中表现最优。该框架完全基于数据驱动，不依赖溶剂特异性经验关联式，可随新实验数据更新。然而，模型主要适用于训练数据覆盖范围内的插值预测，超出该范围时不确定性会增大。

本研究评估了五种机器学习模型——决策树（DT）、支持向量机（SVM）、高斯过程回归（GPR）、多层感知器（MLP）和径向基函数（RBF）——在预测水性DIPA溶液及DIPA基胺共混物中CO₂负载的性能。模型基于文献数据集开发，该数据集包含来自二元、三元和四元水性DIPA基胺体系的729个实验数据点，覆盖宽范围的操作条件和溶剂组成。本工作的新颖之处在于综合比较了五种机器学习模型在化学复杂性递增的DIPA基胺体系中的CO₂负载预测能力。在所评估的模型中，RBF网络取得了最佳预测性能，R²为0.971，AARD为5.74%，RMSE为0.0501。尽管DT模型的R²相近，但其较高的AARD表明预测一致性较低；MLP模型排名第三。RBF模型在二元、三元和四元水性DIPA基胺体系中的优越性能凸显了其在化学复杂性增加的情况下保持高预测精度的能力。此外，相关性因子分析提供了输入变量对CO₂负载影响的有价值见解，揭示了CO₂分压的主导正效应、温度的负效应以及分子量相对较小的贡献。这些发现证实了机器学习技术能够表征CO₂负载所涉及的复杂非线性关系。所提出的框架提供了一种计算高效的方法，用于快速估算CO₂负载，支持溶剂筛选、工艺优化和CO₂捕集系统的初步设计，同时减少对大量实验测量的依赖。然而，所开发模型受现有实验数据的范围和质量限制。未来研究可在有足够实验数据的条件下纳入反应动力学和传质参数，以进一步提高机器学习模型对CO₂吸收过程的预测能力。