多孔材料Brunauer–Emmett–Teller比表面积预测的用户友好型机器学习框架

《Energy Geoscience》：A User-Friendly Machine Learning Framework for Predicting Brunauer–Emmett–Teller Surface Area of Porous Materials

　　

Brunauer–Emmett–Teller（BET）比表面积是表征材料吸附容量及适用于CO2捕集的关键指标。然而，由于前驱体类型等合成参数存在非线性且相互关联的影响，准确预测BET具有挑战性。BET实验耗时、昂贵，且难以捕捉复杂的参数交互作用。为克服上述局限，数据驱动方法已成为实验研究之外颇具前景的替代方案。已有文献中部分研究以温度、比例和接触时间为输入预测BET，且仅采用响应面法（Response Surface Methodology，RSM）单一方法，模型缺乏可解释性，精度较低（R为-0.46）。针对这些不足，研究人员提出一套综合数据驱动框架，采用30种机器学习技术预测BET，选取温度、比例、KOH活化剂、前驱体类型、升温速率和活化时间作为预测变量。通过趋势分析（Trend Analysis，TA）与统计误差分析（Statistical Error Analysis，SEA）等方法评估模型性能，其中基于Levenberg–Marquardt反向传播（LMB）的人工神经网络（Artificial Neural Network，ANN）预测精度最高（R=0.92）。研究人员采用SHapley加性解释（SHAP）分析揭示LMB ANN模型的可解释性，证明温度为影响BET的最主导因素，前驱体浓度与KOH活化剂含量亦为重要决定因素，时间贡献最低。该研究最终提供一种易用预测工具，支持面向CO2捕集的高性能多孔材料的快速精确BET估算与优化设计。

研究背景方面，高比表面积创新多孔材料因在吸附、催化、储能与环境修复中的重要作用而成为材料科学与化学工程焦点。CO₂捕集与封存（Carbon Capture and Storage，CCS）作为减排温室气体与缓解气候变化的关键路径，对材料孔隙率与表面特性提出严苛要求，而BET比表面积是评价材料CO₂吸附潜力的标准化核心参数，其高低直接关联活性位点数量、传质速率与再生能耗。然而BET受前驱体类型、活化剂性质与浓度、前驱体-活化剂比例、活化温度、升温速率和活化时间等多变量非线性耦合影响，传统实验获取BET成本高、周期长且难以刻画隐性交互；已有文献仅用温度、比例、接触时间结合RSM单法建模，R低至-0.46且无解释性。为此，研究人员在《Energy Geoscience》发表该研究，旨在构建宽输入域、多模型比对、具可解释性与用户友好性的数据驱动预测框架，加速CO₂捕集多孔材料理性设计。

关键技术方法上，研究人员从30篇文献收集99组KOH活化多孔碳体系实验数据，统一单位后通过箱线图（Box-And-Whisker，BAW）剔除加热速率与时间离群点，按70%训练、30%测试划分；采用MATLAB R2024b回归学习器遍历线性回归、决策树、支持向量机（Support Vector Machine，SVM）、高斯过程回归（Gaussian Process Regression，GPR）、集成方法与神经网络等30种模型，初筛最优为宽神经网络；继而自建单隐藏层13神经元LMB ANN，隐藏层传递函数为三角基（tribas）、输出层为对称饱和线性（satlins），并将权重偏置显式化为可计算关联式；同时建立RSM经验方程；以TA、SEA（含AAPRE、R、RMSE）、交叉绘图、误差直方图（Error Histogram，EH）、误差小提琴图、误差箱线图（Error Boxplot Graphs，EBG）、置信区间（Confidence Interval，CI）、灵敏度分析、杠杆法、不同划分交叉验证及ANOVA拟合统计作评估；最后用SHAP解释LMB ANN。

研究结果部分，2.1节数据收集与预处理通过对99组数据的描述统计与相关矩阵分析，发现BET与比例呈强负线性相关（R=-0.922），与前驱体含量中度负相关，温度弱负相关，升温速率与时间弱正相关，且前驱体与KOH、比例间存在强共线，经BAW清洗后用于建模。2.2节回归学习器工具箱比对显示宽神经网络在默认与调参后均优于其余候选。2.3节人工神经网络构建中，LMB准牛顿算法兼顾梯度下降与高斯-牛顿优势，单隐层13神经元结构配合tribas与satlins可实现关联式表达而非黑箱。2.4节响应面法给出含一次、二次与交互项的BET经验多项式。2.5节模型评估体系定义TA考察单变量扰动下输出物理趋势，SEA给出偏差、AAPRE、R、RMSE等公式，交叉绘图以45°线判一致，EH与EBG观误差分布，CI以均值±2STD/n^0.5衡可靠性，ANOVA与拟合统计验RSM显著性。3.1节提出模型中LMB ANN以R=0.92胜出，并导出归一化输入经tribas与satlins反归一化得BET的显式方程，RSM方程同期给出。3.2节评估显示：趋势分析下仅LMB ANN、线性SVM、最小二乘核与RSM对温度（升）、比例（升）、加热速率（升）、时间（降）全参数方向正确；SEA中LMB ANN测试集AAPRE=13.1%、R=0.92、STD与E_min最低；交叉绘图点最聚45°线；EH中LMB ANN均值13.1%、σ16.7，远优线性SVM（62.6%/46.1%）、最小二乘核（74.6%/77.6%）与RSM（183.1%/853.0%）。

讨论与结论翻译部分，研究人员指出，该框架以30法广域搜索克服既往单法低相关缺陷，LMB ANN在精度与物理趋势一致性上均占优，SHAP归因确定温度为最强正向驱动、前驱体浓度与KOH含量为次、时间最弱，该排序与相关系数方向互补揭示非线性饱和效应；所释出显式关联式与用户友好工具使实验人员免代码获BET预估，缩短CO₂捕集碳基多孔材料试错周期。结论为：面向多孔材料BET预测的用户友好机器学习框架以LMB ANN（R=0.92）为最优，SHAP证实温度为主导因素，前驱体浓度与KOH活化剂含量次之，时间贡献最低，该工作为高性能CO₂捕集材料优化提供快速精确估算手段。