【技术实现步骤摘要】
【】本专利技术属于化工生态环境的领域，具体涉及一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法。
技术介绍
0、
技术介绍
1、大气中大量的温室气体，如工业排放的二氧化碳(co2)，被视为全球变暖的主要原因。由于co2的排放量日益增加，导致了地球温度升高，海平面上升等一系列环境问题。因此，为了逐步缓解恶劣的环境，寻求一种高效捕集co2且再生成本低的方法已经成为了当今社会的重要话题。离子液体(ils)，由于其阴阳离子和特殊官能团构成的特殊分子结构和优异性能，如低蒸气压，低挥发性，对环境污染小，极性可调控性大，有较高的co2溶解度和选择性。此外，ils的结构可调控性为设计具有特定特性的溶剂提供了额外的便利。因此，与传统的有机溶剂相比，ils成为co2捕集和分离的潜在候选者。
2、因为离子液体的结构多种多样，难以通过实验逐一测试它们对co2的溶解能力，这使得在广泛研究和设计新型离子液体时，计算模型成为了一个理想的替代方案。计算化学和建模研究具有巨大潜力，可以为未来离子液体的设计提供支持，因为它们更加高效、安全且成本更低。在这方面，人工智能领域的深度学习方法可以用来学习数据之间的内在关系，以快速准确地评估离子液体碳捕获能力。本专利技术设计了一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中co2溶解度的方法。个模型可以帮助研究人员快速而精确地预测不同离子液体的co2溶解性能，从而节省时间和资源，并为离子液体的设计和应用提供有力的支持。这种方法代表了一种创新的方式，将计算化学
3、本专利技术利用cosmo-rs模型计算了离子液体阴离子和阳离子的表面屏蔽电荷密度分布情况，将阴阳离子的电荷分布情况按照数据集的疏密情况分为16个特征，一个完整的离子液体的电荷分布情况则由阴阳离子相同特征叠加求和组成，使用网格搜索优化了深度神经网络模型，以决定系数、均方误差、均方根误差、为深度神经网络模型测试结果的三个评价指标。本专利技术解决实验测定co2在离子液体中溶解度的操作繁琐和工作量大的难题，并通过shap值的方法来解释开发的深度神经网络模型，可以快速准确地评估离子液体的碳捕获能力。
技术实现思路
0、
技术实现思路
1、[要解决的技术问题]
2、本专利技术的目的是提供一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，解决实验方法测试二氧化碳在离子液体中溶解度的过程中操作繁琐、费时费力的难题。
3、[技术方案]
4、本专利技术提供一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，使用cosmo-rs软件得到离子液体的屏蔽电荷密度描述符，采用网格搜索方法优化了深度神经网络模型的超参数，得到的模型可用于精准的预测co2在未知离子液体中的溶解度，在目前离子液体数量庞大但是其碳捕获能力数据缺乏的情况下，可有助于快速的评估和预测离子液体的碳捕获能力。
5、本专利技术所述的深度神经网络模型其特征是可进行离子液体碳捕获能力的评估和预测，步骤如下：
6、步骤1：收集咪唑鎓、吡咯烷鎓、吡啶鎓、膦鎓等离子液体溶解二氧化碳的实验数据，构建离子液体数据库，其溶解度值的评估为摩尔分数。构建的离子液体数据库包括6173个离子液体实验数据点，含37种阳离子，21种阴离子。
7、步骤2：通过turbomole软件优化不同阴阳离子的结构和能量，完成优化后的离子液体用cosmo-rs软件计算表面屏蔽电荷密度的分布情况，将阴阳离子的电荷分布情况按照数据集的疏密情况分为16个特征，一个完整的离子液体的电荷分布情况则由阴阳离子相同特征叠加求和组成；
8、步骤3：以网格搜索优化算法来优化步骤3中搭建的深度神经网络模型，主要包括激活函数、优化器、学习率、正则化项、隐藏层数和神经元数量等参数；
9、步骤4：步骤3所述的深度神经网络模型的输入参数input＝m×n，m＝1，n＝18；
10、步骤5：步骤3所述的深度神经网络模型的激活函数为tanh；
11、步骤6：步骤3所述的深度神经网络模型的优化器为lbfgs；
12、步骤7：步骤3所述的深度神经网络模型的学习率为0.0001；
13、步骤8：步骤3所述的深度神经网络模型的正则化项为0.1；
14、步骤9：步骤3所述的深度神经网络模型的隐藏层为3；
15、步骤10：步骤3所述的深度神经网络模型的神经元数量为49；
16、步骤11：将步骤1中得到的离子液体数据进行拆分训练集，验证集，测试集，占比0.8：0.1：0.1；
17、步骤12：步骤11中的训练集送入深度神经网络进行学习，验证集用于验证模型准确度和超参数的配置，以测试集的评估评分进行评价碳捕获的预测结果。
18、[有益效果]
19、本专利技术与现有技术相比，具有取下有益效果：
20、(1)本专利技术的有益效果是基于网格搜索优化和shap值的深度神经网络模型。
21、(2)解决了实验数据缺乏，实验方法测定离子液体中二氧化碳溶解度的耗时费力问题。
22、(3)本专利技术的深度神经网络模型可准确预测未知离子液体中二氧化碳溶解度数据并关联溶解度与特征间的关系。
本文档来自技高网...【技术保护点】
1.一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于实现该方法的步骤包括：
2.根据权利要求1所述的一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于：离子液体数据库包括6173个离子液体实验数据点，含37种阳离子，21种阴离子。
3.根据权利要求1所述的一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于：模型的激活函数为Tanh、优化器为Lbfgs、学习率为0.0001、正则化项为0.1、隐藏层数为3，神经元数量为49。
4.根据权利要求1所述的一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于：训练集的决定系数为0.9931、均方误差为0.0114、均方根误差为0.0182；测试集决定系数为0.9911、均方误差为0.0132、均方根误差为0.0182。
【技术特征摘要】
1.一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于实现该方法的步骤包括：
2.根据权利要求1所述的一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解度的方法，其特征在于：离子液体数据库包括6173个离子液体实验数据点，含37种阳离子，21种阴离子。
3.根据权利要求1所述的一种基于屏蔽电荷密度描述符的机器学习模型用于预测离子液体中二氧化碳溶解...
【专利技术属性】
技术研发人员：王英龙，刘天雄，朱兆友，崔培哲，齐建光，李鑫，张红如，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。