混合胺溶液吸收二氧化碳性能研究与最优混合胺筛选综合报告
为应对全球气候变化,通过机器学习筛选高效的二氧化碳捕集材料
为应对全球气候变化,通过机器学习筛选高效的二氧化碳捕集材料
在应对全球气候变化的大背景下,二氧化碳的捕集与转化技术成为研究热点。混合胺溶液作为常用的二氧化碳吸收剂,其在吸收、分相及加氢过程中的性能优化对提高二氧化碳捕集效率、降低能耗具有关键意义。本研究旨在构建预测系统,筛选出在二氧化碳分相、加氢及吸收反应中性能优异的混合胺溶液,为相关化工过程提供理论和数据支持。
从权威数据库ChEMBL中,通过API调取数据。获取含氮分子数据集后,依据伯胺、仲胺和叔胺的SMARTS模式筛选,结合溶液物性,选取200个常见伯胺与1000个常见叔胺,形成200000个混胺组合,构建研究用混胺数据库。
分相能力模型:以混胺吸收二氧化碳后形成的胺盐溶液物性为关键特征,采用Lasso回归进行特征选择,比较多种回归模型,确定最佳参数组合。
加氢能垒预测模型:模拟混胺与二氧化碳反应生成胺盐,计算描述符并构建综合特征,采用机器学习方法构建模型,优化预测性能。
吸收能力计算模型:从混合胺溶液的SMILES字符串出发,提取分子描述符,分析结构特征并考虑协同效应,构建计算模型。
从ChEMBL数据库中筛选出含氮分子,并根据SMARTS模式识别伯胺、仲胺和叔胺,形成混胺数据库。模型构建过程包括数据处理、特征工程、模型选择与优化等环节。
评价混胺分相能力主要考虑:胺盐溶液黏度、表面张力、相互溶解度、分子极性和密度差。使用Lasso回归进行特征选择,并比较多种回归模型(随机森林、梯度提升、AdaBoost、岭回归和弹性网络)以选择最优模型。
通过参数网格搜索结合交叉验证,对模型参数进行优化,选择R²值最大的参数组合作为最佳参数,确定最终模型。
通过模型筛选,获得了分相性能最优的50组混合胺溶液。
通过模型筛选,获得了分相性能最优的50组混合胺溶液。
第一组
第二组
第三组
第四组
第五组
第六组
同样使用ChEMBL数据库,筛选出200个伯胺与1000个叔胺,形成200000个混胺组合。模型构建步骤包括:
通过模型计算,筛选出加氢性能最优的50组混合胺溶液。
通过模型筛选,获得了加氢性能最优的50组混合胺溶液。
第一组
第二组
第三组
第四组
第五组
第六组
同样基于ChEMBL数据库构建混胺数据集。吸收能力计算模型构建步骤:
通过模型计算,筛选出吸收性能最优的50组混合胺溶液。
筛选出的混胺组合对CO₂的吸收容量显著高于传统单一胺溶液
协同效应使得吸收动力学性能大幅提升
优化的分子结构提供了较好的热稳定性
通过模型筛选,获得了吸收性能最优的50组混合胺溶液。
第一组
第二组
第三组
第四组
第五组
第六组
在分相、加氢及吸收性能研究中,各部分已分别筛选出前50组性能优异的混胺溶液,并对其混胺吸收二氧化碳的分相、加氢和吸收能力进行0-1标准化打分。
为综合评估混合胺溶液的整体性能,采用加权评分法,权重分配为:
通过该加权公式计算每组混胺的综合得分,最终筛选出综合性能排名前50的混胺溶液。
通过加权评分,获得了综合性能最优的50组混合胺溶液。
第一组
第二组
第三组
第四组
第五组
第六组
筛选出的混胺溶液具有出色的工业应用前景,能够显著提高CO₂捕集工艺效率,降低能耗和成本
优选的混胺组合不仅具有高效的CO₂捕集能力,还具有良好的环境相容性和低毒性
通过性能优化,可减少溶液用量、降低再生能耗,在工业规模应用中具有显著经济优势
本研究成功构建了混合胺溶液吸收二氧化碳的多性能预测与筛选体系。通过合理的数据获取、模型构建和优化,得到了在分相、加氢和吸收方面性能优异的混合胺溶液。这些结果为二氧化碳捕集、转化工艺中混合胺吸收剂的选择和优化提供了有力支持。
未来可进一步扩大数据库规模、优化模型算法,提高预测准确性和普适性,推动相关化工过程的发展。