利用机器学习加速碳基吸附剂的CO2吸附建模

《Scientific Reports》：Accelerating CO2 uptake modeling in carbon-based adsorbents through machine learning

　　

摘要

气候变化由多种因素驱动，但主要驱动因素之一是大气中二氧化碳浓度的迅速增加。这使得开发高效的碳捕集技术成为必要。通过多孔碳基材料的CO₂吸附已成为一种创新解决方案，因其低成本和高效。在现有的多孔碳基材料中，碳基整体材料是一类复杂的材料，被广泛用于碳捕集。在这项工作中，我们使用了八种不同的机器学习模型，基于从同行评审已发表文献中收集的2215个数据点的数据集，来预测碳基整体材料的CO₂吸附容量。在建模过程中，考虑了各种参数，如BET比表面积、温度、压力、微孔体积、介孔体积和元素组成。此外，还评估了均方根误差和决定系数等统计参数，以评估表现最佳的模型。在评估的模型中，梯度提升决策树模型优于其他模型，达到了0.9958的决定系数和0.0773的均方根误差，表明其在捕捉影响CO₂吸附的复杂关系方面具有优越的稳健性和预测能力。相反，AdaBoost模型表现出最差的预测效果，决定系数为0.9398，均方根误差为0.2925。此外，SHAP特征分析显示，温度和压力是影响CO₂吸附的最关键参数，而氮含量是材料组成方面最重要的因素。所开发的模型可以作为预筛选工具，加速CO₂吸附材料发现，同时减少实验成本并优化碳捕集系统的设计。