Modellierung der CO2-Trennfähigkeit von Poly(4

Scientific Reports Band 13, Artikelnummer: 8812 (2023) Diesen Artikel zitieren

152 Zugriffe

Details zu den Metriken

Membranen sind eine potenzielle Technologie zur Reduzierung des Energieverbrauchs und der Umweltprobleme im Hinblick auf die Trennprozesse. Eine neue Klasse dieser Technologie, nämlich Mixed-Matrix-Membranen (MMM), kann durch Dispergieren fester Substanzen in einem Polymermedium hergestellt werden. Auf diese Weise haben die auf Poly(4-methyl-1-penten) basierenden MMMs große Aufmerksamkeit auf sich gezogen, indem sie Kohlendioxid (CO2) einfangen, einen Umweltschadstoff mit Treibhauseffekt. Die CO2-Permeabilität in verschiedenen MMMs bestehend aus Poly(4-methyl-1-penten) (PMP) und Nanopartikeln wurde aus experimenteller Sicht umfassend analysiert. Darüber hinaus ist ein einfaches mathematisches Modell erforderlich, um die CO2-Permeabilität zu berechnen, bevor der zugehörige PMP-basierte Trennprozess konstruiert wird. Daher verwendet die aktuelle Studie mehrschichtige künstliche neuronale Perzeptronnetze (MLP-ANN), um die CO2-Permeabilität in PMP/Nanopartikel-MMMs mit der Membranzusammensetzung (additiver Typ und Dosis) und dem Druck in Beziehung zu setzen. Dementsprechend wird der Einfluss dieser unabhängigen Variablen auf die CO2-Permeabilität in PMP-basierten Membranen mithilfe einer multiplen linearen Regressionsanalyse untersucht. Es wurde herausgefunden, dass die CO2-Permeabilität einen direkten Zusammenhang mit allen unabhängigen Variablen hat, wobei die Nanopartikeldosis am stärksten ist. Die MLP-ANN-Strukturmerkmale haben effizient gezeigt, dass sie ein attraktives Potenzial für die höchstgenaue Vorhersage der CO2-Permeabilität haben. Als bestes Modell für das betrachtete Problem wird ein zweischichtiges MLP-ANN mit der durch den Bayes'schen Regulierungsalgorithmus trainierten 3-8-1-Topologie identifiziert. Dieses Modell simuliert 112 experimentell gemessene CO2-Permeabilitäten in PMP/ZnO, PMP/Al2O3, PMP/TiO2 und PMP/TiO2-NT mit einer hervorragenden absoluten durchschnittlichen relativen Abweichung (AARD) von weniger als 5,5 %, einem mittleren absoluten Fehler (MAE) von 6,87 und Korrelationskoeffizient (R) von mehr als 0,99470. Es wurde festgestellt, dass die gemischte Matrixmembran aus PMP und TiO2-NT (funktionalisierte Nanoröhre mit Titandioxid) das beste Medium für die CO2-Abtrennung ist.

In jüngster Zeit hat die Abscheidung und Speicherung von CO2 (Kohlendioxid)1,2 als praktisches Instrument gegen die globale Erwärmung und den Klimawandel großes Interesse gefunden. Der Literatur zufolge ist die CO2-Konzentration in der Atmosphäre seit der vorindustriellen Ära bis heute dramatisch von 280 auf 420 ppm gestiegen, während der maximal zulässige Wert bei 350 ppm liegt3,4. Andererseits wird geschätzt, dass die CO2-Konzentration in der Atmosphäre bis zum Ende des 21. Jahrhunderts 570 ppm erreichen wird5. Aus diesem Grund werden mehrere Vereinbarungen getroffen, um die CO2-Emissionen bis 2050 zu reduzieren, indem der Schwerpunkt auf der Umsetzung von Strategien zur Kohlenstoffabscheidung und -speicherung (CCS) liegt6. Zu diesem Zweck wurden verschiedene Technologien wie Absorption7, Adsorption8,9, kryogene10 und Membranen11 vorgeschlagen. Allerdings weist die Absorption als ausgereifteste Technologie einige schwerwiegende Nachteile auf, darunter Korrosion der Ausrüstung12, Nebenwirkungen für die Umwelt13 und Kosten14. Kryotechnik ist eine weitere ausgereifte Technologie, die viel Energie verbraucht15. Darüber hinaus ist die Einführung eines wasserstabilen Adsorptionsmittels mit hoher Selektivität und Beladungskapazität sowie angemessener Adsorptionswärme und angemessenen Kosten für die großtechnische Anwendung immer noch eine große Herausforderung7,16,17. Daher gilt die Membrantechnologie hinsichtlich ihrer Umweltfreundlichkeit, Effizienz, Flexibilität, Kosten, Ausgereiftheit und Einfachheit als eine der interessanten Strategien für die Gastrennung18 und die Überwachung der Umweltverschmutzung19. Die CO2-Abscheidung und -Sequestrierung ist nicht nur für Nachverbrennungsanwendungen im Zusammenhang mit Rauchgas zur CO2/N2-Trennung von entscheidender Bedeutung, sondern auch für Vorverbrennungsprozesse zur Entwicklung erneuerbarer Energiequellen erforderlich, einschließlich der Biogasaufbereitung20 und der Erdgassüßung zur CO2/CH4-Trennung21 . Das zurückgewonnene Kohlendioxid kann auch als Ausgangsstoff für die Synthese hochwertiger Chemikalien22 verwendet werden.

Membranen werden routinemäßig auf natürliche oder synthetische Weise entwickelt23, wobei letztere in organische und anorganische24 kategorisiert werden. Um die Gastrennleistung herkömmlicher Membranen zu verbessern, liegt der Schwerpunkt auf polymeren Medien25. Zu diesem Zweck werden verschiedene Polymere, darunter Siloxane26, Polyacetylene27, Polyimide28, Polysulfon29 und basische Siliziumpolymere30, für unterschiedliche Trennzwecke eingesetzt. Bei Polymermembranen bestehen jedoch immer noch Bedenken hinsichtlich ihrer Permeabilität31, Selektivität32 und Stabilität bei hohen Drücken33. Dementsprechend werden Nanokompositmembranen durch Zugabe von Stärke34, Keramik35, metallorganischem Gerüst36, Kohlenstoffnanoröhren37 und Nanopartikeln38,39,40 zum Membrankörper hergestellt.

Aus diesen Gründen haben Ahn et al. fügten der Polysulfonmembran Silica-Nanoproben als Füllstoffe hinzu, um die Leistung der entwickelten Mischmatrixmembran zu steigern41. Sie berichteten, dass der Einschluss von Nano-Silica-Proben in die Polymerstruktur die Permeabilität verbessert. Auch Pechaf et al. verwendeten eine Polyimidmembran und Zeolith als MMM und beurteilten die Permeabilität von He, CH4, CO2, N2 und O242. Sie behaupteten, dass die hergestellte Membran die Durchlässigkeit von CO2 und CH4 erhöhe, während bei der N2- und O2-Durchlässigkeit eine gewisse Verringerung zu beobachten sei. Darüber hinaus haben Ismail et al. synthetisierten eine Mischmatrixmembran aus Polyethersulfon und Matrimid 5218 unter Verwendung von Zeolith 4A43. Die Studie zeigte, dass die Zugabe von Zeolith die Durchlässigkeit der Membran verbessern kann.

In jüngster Zeit haben Modelle des maschinellen Lernens (ML) aufgrund ihrer Flexibilität, Robustheit, Präzision und Anpassungsfähigkeit großes Interesse in einem breiten Anwendungsspektrum von der Technik bis zur Medizin geweckt44,45,46,47. Musterdesign, Modellerkennung, Fehlererkennung, Data Mining und Funktionsschätzung sind einige der Hauptanwendungen von ML48,49. Kürzlich wurden künstliche neuronale Netzwerke (ANN)50, adaptive Neuro-Fuzzy-Inferenzsysteme (ANFIS)51, Support-Vektor-Maschinen (SVM)52 und genetische Programmierung (GP)53 im Bereich der Membrantechnologie eingesetzt. Aus diesen Gründen haben Rezakazemi et al. verwendeten das ANFIS-Modell für die molekulare Trennung in mikroporösen Membranen54. In einer anderen Studie haben Vural et al. verwendeten die ANFIS-Topologie zur Abschätzung der Leistung einer Protonenaustauschmembran-Brennstoffzelle55. Darüber hinaus haben Zhao et al. nutzten das ANN-Paradigma, um die Grenzflächenwechselwirkungen und das Fouling in einem Membranbioreaktor vorherzusagen56. Sie erklärten, dass die radiale Basisfunktion eine hervorragende Fähigkeit zur Vorhersage von Grenzflächenwechselwirkungen besitzt. Darüber hinaus haben Gasós et al. vertrauten auf die künstlichen neuronalen Netze, um die Karten der membranbasierten CO2-Trenntechnologie zu erstellen18. Darüber hinaus haben Kazemian et al. nutzten die Vorteile von SVM und der Methodik des genetischen Algorithmus (GA), um einen Algorithmus für die Membranhelices in Aminosäuresequenzen zu entwickeln57.

Obwohl viele Experimente zur Messung der CO2-Permeabilität in reinen Poly(4-methyl-1-pentan) (PMP) und PMP-haltigen Mischmembranen durchgeführt wurden, wurde auf diesem Gebiet noch keine Korrelation vorgeschlagen. Da die Permeabilität ein entscheidender Faktor für die effiziente CO2-Abtrennung durch die PMP-basierten Membranen ist, ist für ihre Schätzung auch ein zuverlässiges Modell erforderlich. Daher wendet diese Studie das MLP-ANN an, um die CO2-Permeabilität in reinen PMP- und PMP/Nanopartikel-Mischmatrixmembranen mit dem Füllstofftyp, der Nanopartikeldosis und dem Druck zu korrelieren. Außerdem verdeutlicht die vom MLR durchgeführte Relevanzanalyse (d. h. multiple lineare Regression) die Auswirkung dieser Variablen auf das potenzielle Niveau der CO2-Permeabilität. Nach bestem Wissen der Autoren ist dies der erste Versuch, die CO2-Permeabilität in PMP-haltigen Membranen anhand einiger leicht und immer verfügbarer Parameter vorherzusagen. Darüber hinaus kann das entwickelte MLP-ANN Ingenieuren dabei helfen, eine PMP-basierte Membran herzustellen und den Arbeitsdruck anzupassen, um eine maximale CO2-Abtrennung in verschiedenen Branchen zu erreichen, darunter Gasverarbeitung, Erdöl, Petrochemie und Biogasaufbereitung.

Wie bereits erläutert, ist die Permeabilität eine der zentralen Spezifikationen der Membrantechnologie zur Gastrennung, die häufig experimentell gemessen wird. Andererseits haben mehrere andere Studien die Auswirkungen des Einsatzes verschiedener Nanopartikel zur Verbesserung der Leistung polymetrischer Membranen zu diesem Zweck untersucht. Dementsprechend hat diese Studie eine robuste theoretische Topologie zur Abschätzung der CO2-Permeabilität in reinen PMP- und PMP/Nanopartikel-Mischmatrixmembranen entwickelt, die nach bestem Wissen der Autoren die erste auf diesem Gebiet ist. Auf diese Weise sind die Nanopartikeltypen, ihr Gewichtsanteil (Gew.-%) in der hergestellten Membran und der Betriebsdruck die unabhängigen Variablen zur Schätzung der CO2-Permeabilität in einer bestimmten Membran. Tabelle 1 präsentiert die wichtigsten statistischen Merkmale der gesammelten experimentellen Daten aus der Literatur58,59,60,61.

Es ist bemerkenswert, dass in der Literatur bis zu 40 Gew.-% von vier Nanopartikeln (d. h. TiO2, ZnO, Al2O3 und TiO2-NT) zur PMP-Struktur hinzugefügt wurden, um verschiedene Membranen mit gemischter Matrix herzustellen. Außerdem wurden 112 CO2-Durchlässigkeitstests in einem Druckbereich von 2–25 bar durchgeführt. Die CO2-Permeabilität von 18,01–570,90 Barrer wurde in der Literatur für reines PMP und PMP/ZnO-, PMP/Al2O3-, PMP/TiO2- und PMP/TiO2-NT-Mischmatrixmembranen angegeben58,59,60,61.

Da diese Studie sowohl qualitative (additiver Typ) als auch quantitative (Nanopartikeldosis und -druck) unabhängige Variablen umfasst, ist es auch notwendig, die früheren Variablen quantitativ darzustellen. Tabelle 2 stellt die in diesem Zusammenhang verwendeten numerischen Codes vor.

Histogramme aller unabhängigen (Additivtyp, Nanopartikeldosis und Druck) und abhängigen (CO2-Permeabilität) Variablen sind in Abb. 1 dargestellt.

Histogramm der beteiligten Variablen (Additivtyp, Nanopartikeldosis und Druck) bei der Modellierung der CO2-Permeabilität in PMP-Nanopartikelmembranen58,59,60,61.

Künstliche neuronale Netze (ANNs) als biologisch inspirierter Rechenansatz sind eine nichtlineare Topologie, die eine hohe Kapazität für die Datenverarbeitung im technischen Bereich aufweist62. Tatsächlich handelt es sich bei den ANNs um eine reduzierte Reihe von Konzepten, die von biologischen neuronalen Systemen abgeleitet sind und auf der Simulation der Datenverarbeitung des menschlichen Gehirns und der Nervensysteme basieren63. Die ANNs haben bereits ein robustes Potenzial für statistische Analysen in diesem Bereich bewiesen, ohne dass eine breite Palette experimenteller Werte hinsichtlich ihrer Flexibilität und Leistungsfähigkeit vorliegt62,63. Um ein KNN-Paradigma abzuleiten, müssen die wichtigsten unabhängigen Variablen angegeben werden, die sich auf die Ausgabe des Prozesses auswirken. Es ist erwähnenswert, dass die ANNs das Potenzial haben, die abhängigen Variablen mit den unabhängigen Variablen beliebiger Komplexität zu korrelieren64. Zu diesem Zweck ist die Bereitstellung eines geeigneten Datensatzes erforderlich, um eine Blackbox für die Schätzung abhängiger Faktoren unter Berücksichtigung definierter Kriterien zu entwerfen62. Dementsprechend entwickelt der erhaltene Ansatz ein Signal zwischen den Eingabe- und Ausgabefaktoren, das die Details in verschiedenen Schichten im Zusammenhang mit Neuroneninteraktionen spezifiziert.

Bisher wurden mehrere ANN-Ansätze entwickelt, darunter Multi-Layer-Perceptron (MLP-ANN)65, radiale Basisfunktion (RBF-ANN)66, Cascade Feedforward (CFF-ANN)67 und allgemeine Regression (GR-ANN)68 , wobei MLP-ANN am häufigsten verwendet wird. Im Allgemeinen handelt es sich bei MLP-ANN um ein überwachtes Online-Lernverfahren, das eine partielle Anpassungsreihenfolge zusammen mit einstellbaren synaptischen Gewichten verwendet69. Aus diesem Grund wurde diese Topologie in dieser Arbeit angewendet, um die Permeabilität von CH4 und N2 in PMPs abzuschätzen. Routinemäßig wird ein MLP-ANN entwickelt, indem drei Hauptschichten definiert werden, darunter die Eingabeschicht, die verborgene Schicht und die Ausgabeschicht. Auf diese Weise wird die Eingabeschicht nach einer gewissen Datenverarbeitung aus den rohen unabhängigen (Eingabe-)Werten abgeleitet, deren großer Einfluss auf den Prozess bereits nachgewiesen wurde. Anschließend wird das Ergebnis dieser Schicht in die verborgene Schicht eingeführt, um eine statistische Analyse und mathematische Behandlung der Daten durchzuführen. Anschließend werden die Ergebnisse dieser Schicht an die Ausgabeschicht übertragen, die die Hauptergebnisse des Modells angibt. Es sollte berücksichtigt werden, dass die hauptsächliche mathematische Verarbeitung der Neuronen durch Gleichung (1) bestimmt wird. (1)70:

Hier gibt \(b\) den Bias des Modells an, der die Aktivierungsschwellen für Eingabewerte (\(x_{r}\)) angibt, und \(\omega_{jr}\) sind die Gewichtungskoeffizienten des Modells. Außerdem wird die Nettoausgabe von Neuronen (\(O_{j}\)) von einer Übertragungsfunktion (\(tf\)) empfangen, um die Ausgabe des Neurons zu berechnen70. In dieser Arbeit wurden der hyperbolische Tangens Sigmoid (Gl. 2) und der logarithmische Sigmoid (Gl. 3), die zu den beliebtesten Übertragungsfunktionen gehören, in die verborgene bzw. Ausgabeschicht integriert63,68:

Abbildung 2a und b zeigen die allgemeinen Formen der hyperbolischen Tangens-Sigmoid- bzw. logarithmischen Sigmoid-Übertragungsfunktionen. Diese Abbildung zeigt, dass ersteres einen Wert zwischen −1 und +1 liefert, während letzteres einen Wert im Bereich von 0 bis +1 liefert.

Die Übertragungsfunktionen des hyperbolischen Tangens Sigmoid (a) und des Logarithmus Sigmoid (b).

Zu diesem Zweck ist es notwendig, sowohl die unabhängigen (IV) als auch die abhängigen Variablen (DV) mithilfe der Gleichungen in den Bereich [0 1] zu normalisieren. (4) bzw. (5).

NoD bezeichnet die Anzahl der Datensätze. X1, X2 und X3 geben den normalisierten Wert des Additivtyps, der Nanopartikeldosis und des Drucks an. Darüber hinaus steht Y für die normalisierte CO2-Permeabilität.

Oft ist es zwingend erforderlich, die Abweichung zwischen experimentellen und vorhergesagten Werten der abhängigen Variablen mithilfe statistischer Kriterien zu messen. In dieser Studie werden der Korrelationskoeffizient (R), das Bestimmtheitsmaß (R2), die Summe des absoluten Fehlers (SAE), der mittlere absolute Fehler (MAE), die absolute durchschnittliche relative Abweichung (AARD) und der mittlere quadratische Fehler (MSE) angewendet. Dementsprechend gilt Gl. (6) bis (11) stellen entsprechend die Formel von R, R2, SAE, MAE, AARD und MSE dar71.

Die obigen Gleichungen benötigen experimentelle (\(DV^{\exp }\)) und berechnete (\(DV^{cal}\)) abhängige Variablen sowie den Durchschnittswert der \(DV^{\exp }\) . Gleichung (12) berechnet diesen Durchschnittswert, also \(\overline{{DV^{\exp } }}\).

In diesem Abschnitt werden die Ergebnisse der Relevanzanalyse durch MLR, der MLP-ANN-Entwicklung sowie statistischer und grafischer Untersuchungen des vorgeschlagenen Modells vorgestellt.

Vor der Konstruktion des MLP-ANN zur Schätzung der CO2-Permeabilität in PMP/Nanopartikel-Membranen muss die Relevanz zwischen abhängigen und abhängigen Variablen untersucht werden. Das MLR ist eine bekannte Methode in diesem Bereich72. Gleichung (13) ist ein einfaches MLR-Modell, das die normalisierte CO2-Permeabilität (\(Y^{cal}\)) mit den normalisierten Werten der unabhängigen Variablen basierend auf 112 experimentellen Datensätzen korreliert.

Das positive Vorzeichen der Koeffizienten X1, X2 und X3 lässt auf eine direkte Abhängigkeit der CO2-Permeabilität von den beteiligten unabhängigen Variablen schließen. Außerdem zeigt die Koeffizientengröße die Stärke der Beziehung zwischen den abhängigen und unabhängigen Variablen an. Wie Abb. 3 zeigt, ist die CO2-Permeabilität in PMP/Nanopartikel-Membranen am stärksten von der Nanopartikeldosis und am schwächsten vom Additivtyp abhängig.

Relevanz zwischen CO2-Permeabilität in MMMs und Additivtyp, Nanopartikeldosis und Druck.

Die beobachtete AARD = 88,24 %, R2 = 0,40145 und SAE = 7634,84 Barriere zwischen experimentellen CO2-Permeabilitäten und MLR-Vorhersagen zeigen, dass das betrachtete Problem hauptsächlich durch ein nichtlineares Modell bestimmt wird.

Die Genauigkeit der Indizes wird berechnet, nachdem die MLR-Vorhersage für die normalisierte CO2-Permeabilität mithilfe von Gleichung denormalisiert wurde. (14).

Die allgemeine Topologie des MLP-ANN zur Beziehung der CO2-Permeabilität in PMP/Nanopartikel-MMMs ist in Abb. 4 dargestellt.

Die MLP-ANN-Struktur zur Simulation der CO2-Permeabilität in PMP/Nanopartikel-MMMs.

In dieser Phase werden 90 MLP-ANN-Ansätze mit unterschiedlicher Anzahl versteckter Neuronen erstellt. Tatsächlich können diese MLP-ANN-Modelle ein bis neun Neuronen in ihren verborgenen Schichten haben. Darüber hinaus wird das MLP-ANN mit einer bestimmten Anzahl versteckter Neuronen zehnmal trainiert und getestet.

Abbildung 5 zeigt die Ergebnisse der Rangfolge der 90 erstellten MLP-ANN-Modelle. Im Allgemeinen erhöht sich die MLP-ANN-Genauigkeit (der Rang nimmt ab), wenn die Anzahl der verborgenen Neuronen erhöht wird. Diese Beobachtung hängt mit der zunehmenden MLP-ANN-Größe sowie der Anzahl ihrer Gewichtungen und Verzerrungen zusammen. Die Abbildung zeigt, dass das zweitentwickelte MLP-ANN mit acht versteckten Neuronen (Rang = 1) das beste Modell zur Schätzung der CO2-Permeabilität in PMP/Nanopartikel-MMMs ist. Darüber hinaus ist das 9. gebaute MLP-ANN mit nur einer verborgenen Schicht das Modell mit der geringsten Genauigkeit (Rang = 90) für die betrachtete Aufgabe.

Gesamtranking der 90 konstruierten MLP-ANNs mit 1–9 versteckten Neuronen (10 Modelle pro verstecktem Neuron).

Das beste MLP-ANN wird zur Durchführung aller nachfolgenden Analysen angewendet und die verbleibenden 89 Modelle werden ignoriert.

Abbildung 6 zeigt die allgemeine Form des MLP-ANN-Ansatzes zur Schätzung der CO2-Permeabilität in MMMs. Es ist ersichtlich, dass das MLP-ANN nur eine verborgene Schicht mit acht Neuronen hat, also eine 3-8-1-Topologie. Die hyperbolischen Tangens-Sigmoid- und logarithmischen Sigmoid-Übertragungsfunktionen sind auch in der verborgenen Schicht und der Ausgabeschicht zu sehen. Es ist zu beachten, dass die Modellierungsphase der CO2-Permeabilität sowohl in PMP- als auch in PMP/Nanopartikel-Membranen in der MATLAB-Umgebung (Version: 2019a)73 erfolgt.

Topologie des besten MLP-ANN73 zur Vorhersage der CO2-Permeabilität in PMP/Nanopartikel-Membranen.

Tabelle 3 zeigt die erreichte Genauigkeit des vorgeschlagenen MLP-ANN in der Trainings- und Testphase. Diese Tabelle zeigt auch die Genauigkeit des erstellten MLP-ANN-Modells zur Vorhersage der CO2-Permeabilität der gesamten Datensätze. In diesem Zusammenhang wurden fünf statistische Kriterien (d. h. R, MAE, AARD, MSE und SAE) verwendet. Alle diese Genauigkeiten sind aus Sicht der Modellierung akzeptabel.

Der Cross-Plot, der die lineare Korrelation zwischen experimentellen und vorhergesagten Werten einer abhängigen Variablen grafisch untersucht, ist eine praktische Methode zur Bewertung der Zuverlässigkeit datengesteuerter Modelle. Abbildung 7a–c veranschaulichen die lineare Korrelation zwischen experimentellen CO2-Permeabilitäten und den damit verbundenen berechneten Werten durch den MLP-ANN-Ansatz. Da sich sowohl Trainings- als auch Testdatensätze hauptsächlich um die diagonalen Linien herum befinden, wird die MLP-ANN-Zuverlässigkeit durch die visuelle Inspektion bestätigt. Darüber hinaus ist die Nähe der Korrelationskoeffizienten des Trainings, des Tests und aller Datensätze zu R ~ 1 (dh 0,99658, 0,98433 und 0,99477) ein weiterer Hinweis auf das MLP-ANN-Modell.

Lineare Korrelationen zwischen experimenteller und berechneter CO2-Permeabilität in MMMs; Training (a), Testen (b) und Gesamtdatenbank (c).

Die tatsächlichen und vorhergesagten CO2-Permeabilitäten in den reinen PMP-Membranen und PMP/Nanopartikel-MMMs in den Trainings- und Testphasen sind in Abb. 8 dargestellt. Diese Analyse rechtfertigt die herausragende Leistung des MLP-ANN bei der Modellierung von Trainings- und Testdatensätzen . Darüber hinaus die MLP-ANN-Genauigkeit für die Vorhersage des Trainings (MAE = 5,28, AARD = 5,20 %, MSE = 100,54 und SAE = 501,84) und der Testgruppe (MAE = 15,76, AARD = 6,88 %, MSE = 444,52 und SAE). = 267,84) wird von der statistischen Untersuchung bestätigt. Darüber hinaus betragen die Gesamtwerte von MAE, AARD, MSE und SAE 6,87, 5,46 %, 152,75 bzw. 769,68.

Kompatibilität zwischen experimenteller und berechneter CO2-Permeabilität in MMMs.

Abbildung 9 erläutert die Auswirkung der Aluminiumoxidkonzentration auf die CO2-Permeabilität in der PMP/Al2O3-Membran aus modellierter und experimenteller Sicht. Die hervorragende Übereinstimmung zwischen tatsächlichen und geschätzten CO2-Permeabilitäten in den PMP/Al2O3-MMMs ist in dieser Abbildung leicht zu erkennen. Das MLP-ANN lernt auch genau den zunehmenden Effekt der Füllstoffdosis auf die CO2-Abscheidung durch den membranbasierten Prozess. Auch eine Erhöhung der CO2-Permeabilität in Membranen durch Erhöhung der Füllstoffdosis wurde bereits zuvor durch die MLR-Relevanzuntersuchung prognostiziert.

Die Wirkung der Additivdosis auf die CO2-Permeabilität in PMP/Al2O3-Membranen (Druck = 10 bar).

In der Literatur wird diese Permeabilitätsverbesserung mit den Aluminiumoxid-Polymer-Wechselwirkungen und der Zunahme des Porenvolumens aufgrund der Anwesenheit von Al2O3 in der Polymerkette in Verbindung gebracht61.

Die Auswirkung des Arbeitsdrucks auf die CO2-Trennung durch die PMP/ZnO-Membranen mit fünf Nanopartikel-Konzentrationsniveaus (2,5, 5, 8, 10 und 15 Gew.-%) ist in Abb. 10 dargestellt. Diese Abbildung zeigt beide im Labor gemessenen CO2-Permeabilitäten und ihre zugehörigen MLP-ANN-Vorhersagen. Durch diese Untersuchung lässt sich leicht eine hervorragende Übereinstimmung zwischen den experimentellen und modellierten Permeabilitäts-Druck-Profilen beobachten. Das MLP-ANN identifiziert auch korrekt den Druck sowie den Füllstoffeffekt auf die CO2-Permeabilität in PMP/ZnO-Mischmatrixmembranen.

Der Einfluss des Drucks auf die CO2-Permeabilität in PMP/ZnO-Membranen mit unterschiedlichen Additivdosierungen.

Erwartungsgemäß steigt die CO2-Permeabilität in den Mischmatrixmembranen mit zunehmendem Arbeitsdruck. Diese Beobachtung steht in direktem Zusammenhang mit der Verbesserung der Antriebskraft aufgrund der Druckerhöhung.

Die Auswirkung des Füllstofftyps (ZnO, Al2O3, TiO2 und TiO2-NT) auf die CO2-Trennfähigkeit von PMP-basierten Membranen bei demselben Arbeitsdruck ist in Abb. 11 dargestellt. Es ist ersichtlich, dass verschiedene Füllstoffe unterschiedliche Rollen spielen CO2-MMM-Wechselwirkung. Tatsächlich verleihen PMP/TiO2 und PMP-TiO2-NT dem CO2-Molekül minimale und maximale Permeabilitäten innerhalb der Membranstruktur. In der Literatur wurde die höhere CO2-Permeabilität in PMP-TiO2-NT mit der freien Volumenausdehnung und Porositätszunahme aufgrund des Vorhandenseins funktionalisierter Nanopartikel im Membrankörper begründet60.

Die Wirkung des Additivtyps auf die CO2-Permeabilität in PMP/Nanopartikel-Membranen.

Diese Studie verwendet eine zweistufige Methodik, dh multiple lineare Regression und mehrschichtige künstliche neuronale Perzeptronnetze, um die Kohlendioxidpermeabilität in Mischmatrixmembranen zu simulieren. Die Kohlendioxidpermeabilität in reinen Poly(4-methyl-1-penten)- und PMP/Nanopartikel-Membranen (d. h. PMP/ZnO, PMP/Al2O3, PMP/TiO2 und PMP/TiO2-NT) wurde auf der Grundlage von 112 Experimenten untersucht Aus der Literatur gesammelte Datensätze. Um die Abhängigkeit der Kohlendioxidpermeabilität von der Membranzusammensetzung (Additivtyp und -dosis) und dem Druck vorherzusagen, wird die Methode der multiplen linearen Regression angewendet. Diese Methode zeigt, dass die Kohlendioxidpermeabilität in direktem Zusammenhang mit allen unabhängigen Variablen steht und die stärkste Korrelation mit der Nanopartikeldosis in der Membranstruktur aufweist. Das MLP-ANN wird dann verwendet, um einen nichtlinearen Ansatz zur Schätzung der Kohlendioxidpermeabilität als Funktion des Additivtyps, der Nanopartikeldosis und des Drucks zu entwickeln. Dieses MLP-ANN mit der 3-8-1-Topologie sagte 112 experimentelle Kohlendioxidpermeabilitäten in den beteiligten MMMs mit ausgezeichneter Genauigkeit voraus (d. h. R = 0,99477, MAE = 6,87, AARD = 5,46 %, MSE = 152,75 und SAE = 769,68). . Die Modellierungsergebnisse verdeutlichen, dass die PMP/TiO2-NT eine bessere Kohlendioxidabtrennung aufweist als die gemischten Matrixmembranen PMP/ZnO, PMP/Al2O3 und PMP/TiO2. Schließlich zeigten die in dieser Arbeit erzielten Ergebnisse das hervorragende Potenzial des ANN zur Schätzung der Trennfaktoren von Mischmatrixmembranen für Anwendungen zur Kohlenstoffabscheidung und -sequestrierung.

Alle in dieser Studie analysierten Literaturdatensätze sind auf begründete Anfrage beim entsprechenden Autor (SA Abdollahi) erhältlich.

Wennersten, R., Sun, Q. & Li, H. Das zukünftige Potenzial der Kohlenstoffabscheidung und -speicherung bei der Eindämmung des Klimawandels – Ein Überblick aus den Perspektiven Technologie, Wirtschaft und Risiko. J. Sauber. Prod. 103, 724–736 (2015).

Artikel CAS Google Scholar

Du, L., Lu, T. & Li, B. CO2-Abscheidung und -Sequestrierung in porösen Medien mit SiO2-Aerogel-Nanopartikel-stabilisierten Schäumen. Kraftstoff 324, 124661 (2022).

Artikel CAS Google Scholar

Karimi, M. et al. CO2-Abscheidung in chemisch und thermisch modifizierten Aktivkohlen mittels bahnbrechender Messungen: experimentelle und Modellstudie. Ind. Eng. Chem. Res. 57, 11154–11166 (2018).

Artikel CAS Google Scholar

Karimi, M. et al. MIL-160 (Al) als Kandidat für die Biogasaufbereitung und CO2-Abscheidung durch Adsorptionsprozesse. Ind. Eng. Chem. Res. 62, 5216–5229 (2023).

Artikel CAS Google Scholar

Veränderung, IC-Auswirkungen, Anpassung und Verwundbarkeit. Beitrag der Arbeitsgruppe II zum sechsten IPCC-Bewertungsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen; Pötner, HO, Roberts, DC, Tignor, M., Poloczanska, ES, Mintenbeck, K., Ale, A., Eds (2022).

Lu, J., Chen, H. & Cai, X. Von globalen zu nationalen Szenarien: Erforschung der Kohlenstoffemissionen bis 2050. Energiestrategie. Rev. 41, 100860 (2022).

Artikel Google Scholar

Yu, C.-H., Huang, C.-H. & Tan, C.-S. Ein Überblick über die CO2-Abscheidung durch Absorption und Adsorption. Aerosol-Luftqual. Res. 12, 745–769 (2012).

Artikel CAS Google Scholar

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Kohlendioxidabtrennung und -bindung durch Adsorption: Eine Übersicht. Umgebung. Chem. Lette. https://doi.org/10.1007/s10311-023-01589-z (2023).

Artikel Google Scholar

Xi, M. et al. Ein wabenförmiges metallisches BiC und eine direkte halbleitende Bi2C-Monoschicht wurden als hervorragende CO2-Adsorptionsmittel vorhergesagt. Kinn. Chem. Lette. 33, 2595–2599 (2022).

Artikel CAS Google Scholar

Xu, G. et al. Ein neuartiges System zur kryogenen CO2-Verflüssigung und -Trennung. Energie 42, 522–529 (2012).

Artikel CAS Google Scholar

Rafiq, S. et al. Oberflächenoptimierung von Siliciumdioxid durch tiefeutektisches Lösungsmittel zur Synthese biomassebasierter Membranen für die Gastrennung zur Verbesserung der zirkulären Bioökonomie. Kraftstoff 310, 122355 (2022).

Artikel Google Scholar

Zhao, B. et al. Studie zur Korrosion im chemischen CO2-Absorptionsprozess unter Verwendung einer Aminlösung. Energy Procedia 4, 93–100 (2011).

Artikel ADS CAS Google Scholar

Lamy-Mendes, A. et al. Aminmodifikation von Silica-Aerogelen/Xerogelen zur Entfernung relevanter Umweltschadstoffe. Molecules 24, 3701 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Lu, W., Bosch, M., Yuan, D. & Zhou, H. Kostengünstige Synthese amingebundener poröser Materialien zur Kohlenstoffabscheidung. Chemsuschem 8, 433–438 (2015).

Artikel CAS PubMed Google Scholar

Song, C. et al. Reduzierung des Energieverbrauchs der membrankryogenen hybriden CO2-Abscheidung durch Prozessoptimierung. Energie 124, 29–39 (2017).

Artikel CAS Google Scholar

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Biomasse/Biokohle-Kohlenstoffmaterialien für die CO2-Abscheidung und -Sequestrierung durch zyklische Adsorptionsprozesse: Ein Rückblick und Aussichten für zukünftige Richtungen. J. CO2-Nutzung. 57, 101890 (2022).

Artikel CAS Google Scholar

Siegelman, RL, Milner, PJ, Kim, EJ, Weston, SC & Long, JR Herausforderungen und Chancen für die adsorptionsbasierte CO2-Abscheidung aus Erdgas-Kombizyklusemissionen. Energieumwelt. Wissenschaft. 12, 2161–2173 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Gasós, A., Becattini, V., Brunetti, A., Barbieri, G. & Mazzotti, M. Prozessleistungskarten für die membranbasierte CO2-Trennung unter Verwendung künstlicher neuronaler Netze. Int. J. Greenh. Gas Control 122, 103812 (2023).

Artikel Google Scholar

Lin, X. et al. Membraneinlass-Massenspektrometriemethode (REOX/MIMS) zur Messung von 15N-Nitrat in Isotopenanreicherungsexperimenten. Ökologisch. Indik. 126, 107639 (2021).

Artikel CAS Google Scholar

Miltner, M., Makaruk, A. & Harasek, M. Überblick über verfügbare Technologien zur Biogasaufbereitung und Innovationen für fortschrittliche Lösungen. J. Sauber. Prod. 161, 1329–1337 (2017).

Artikel CAS Google Scholar

Uddin, MW & Hägg, M.-B. Einfluss der Monoethylenglykol- und Triethylenglykol-Kontamination auf die CO2/CH4-Trennung einer erleichterten Transportmembran zur Erdgassüßung. J. Mitglied Wissenschaft. 423, 150–158 (2012).

Artikel Google Scholar

Zhao, C., Xi, M., Huo, J., He, C. & Fu, L. Computergestütztes Design eines BC3N2-basierten Einzelatomkatalysators für die dramatische Aktivierung von inerten CO2- und CH4-Gasen zu CH3COOH mit ultraniedriger CH4-Dissoziationsbarriere. Kinn. Chem. Lette. 34, 107213 (2023).

Artikel CAS Google Scholar

Ahmad, A. et al. Aktuelle Trends und Herausforderungen bei der Synthese von Membranen: Industrielle Möglichkeiten zur Umweltsanierung. Chemosphere 306, 135634. https://doi.org/10.1016/j.chemosphere.2022.135634 (2022).

Artikel ADS CAS PubMed Google Scholar

Yeo, ZY, Chai, S.-P., Zhu, PW & Mohamed, AR Ein Überblick: Synthese dünner Filme/Membranen aus metallorganischen Gerüsten und ihre Gastrennungsleistungen. RSC Adv. 4, 54322–54334 (2014).

Artikel ADS CAS Google Scholar

Dong, G., Li, H. & Chen, V. Herausforderungen und Chancen für Mixed-Matrix-Membranen zur Gastrennung. J. Mater. Chem. A 1, 4610–4630 (2013).

Artikel CAS Google Scholar

Jee, KY & Lee, YT Herstellung und Charakterisierung von Siloxan-Verbundmembranen für die n-Butanol-Konzentration aus ABE-Lösung durch Pervaporation. J. Mitglied Wissenschaft. 456, 1–10 (2014).

Artikel CAS Google Scholar

Budd, PM & McKeown, NB Hochpermeable Polymere für Gastrennmembranen. Polym. Chem. 1, 63–68 (2010).

Artikel CAS Google Scholar

Chen, XY, Hoang, V.-T., Rodrigue, D. & Kaliaguine, S. Optimierung der kontinuierlichen Phase in Co-Polyimid-Mischmatrixmembranen auf der Basis von Amino-funktionalisierten Metall-organischen Gerüsten (MIL-53) für die CO2/CH4-Trennung . RSC Adv. 3, 24266–24279 (2013).

Artikel ADS CAS Google Scholar

Pereira, VR et al. Vorbereitungs- und Leistungsstudien von polysulfonsulfatierten Nanotitanoxid (S-TiO2)-Nanofiltrationsmembranen zur Farbstoffentfernung. RSC Adv. 5, 53874–53885 (2015).

Artikel ADS CAS Google Scholar

Bhadra, P. et al. Selektiver Transport geladener ZnO-Nanopartikel und Dialyse von Mikroorganismen durch nanoporöse Siliziummembranen. J. Mitglied Wissenschaft. 503, 16–24 (2016).

Artikel CAS Google Scholar

Suleman, MS, Lau, KK & Yeong, YF Plastifizierung und Quellung in Polymermembranen bei der CO2-Entfernung aus Erdgas. Chem. Ing. Technol. 39, 1604–1616 (2016).

Artikel CAS Google Scholar

Clarizia, G., Algieri, C. & Drioli, E. Füllstoff-Polymer-Kombination: Ein Weg zur Modifizierung der Gastransporteigenschaften einer Polymermembran. Polymer (Guildf). 45, 5671–5681 (2004).

Artikel CAS Google Scholar

Ali, A., Mubashir, M., Abdulrahman, A. & Phelan, PE Ultrapermeable interkalierte metallinduzierte mikroporöse Polymer-Nanopunkte-verwurzelte intelligente Membran zur Umweltsanierung. Chemosphere 306, 135482 (2022).

Artikel ADS CAS PubMed Google Scholar

Yang, GCC & Tsai, C.-M. Auswirkungen der Stärkezugabe auf die Eigenschaften von röhrenförmigen porösen Keramikmembransubstraten. Entsalzung 233, 129–136 (2008).

Artikel CAS Google Scholar

Maguire-Boyle, SJ et al. Die superhydrophile Funktionalisierung von Mikrofiltrationskeramikmembranen ermöglicht die Trennung von Kohlenwasserstoffen aus Frac und produziertem Wasser. Wissenschaft. Rep. 7, 12267 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Lee, J.-Y., Tang, CY und Huo, F. Herstellung einer porösen Matrixmembran (PMM) unter Verwendung eines metallorganischen Gerüsts als grüne Vorlage für die Wasseraufbereitung. Wissenschaft. Rep. 4, 1–5 (2014).

CAS Google Scholar

Ismail, AF, Goh, PS, Sanip, SM & Aziz, M. Transport- und Trenneigenschaften einer Kohlenstoff-Nanoröhrchen-Mischmatrixmembran. Sep. Purif. Technol. 70, 12–26 (2009).

Artikel CAS Google Scholar

Talukder, ME et al. Mit Ag-Nanopartikeln immobilisierte elektrogesponnene Nanofasermembran aus sulfoniertem Polyethersulfon/Polyethersulfon zur Entfernung von Schwermetallen. Wissenschaft. Rep. 12, 5814 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Xue, B. et al. Ein AuNPs/mesoporöses NiO/Nickelschaum-Nanokomposit als miniaturisierte Elektrode für die Schwermetalldetektion im Grundwasser. Maschinenbau. https://doi.org/10.1016/j.eng.2022.06.005 (2022).

Artikel Google Scholar

Wang, Z. et al. Verbesserte Denitrifikationsleistung von Alcaligenes sp TB durch Pd, das die Bildung eines Membrananpassungsmechanismus in Verbindung mit nullwertigem Eisen im Nanomaßstab stimuliert. Wissenschaft. Gesamtumgebung. 708, 135063 (2020).

Artikel ADS CAS PubMed Google Scholar

Ahn, J., Chung, W.-J., Pinnau, I. & Guiver, MD Polysulfon/Silica-Nanopartikel-Mischmatrixmembranen für die Gastrennung. J. Mitglied Wissenschaft. 314, 123–133 (2008).

Artikel CAS Google Scholar

Pechar, TW, Tsapatsis, M., Marand, E. & Davis, R. Herstellung und Charakterisierung einer glasartigen fluorierten Polyimid-Zeolith-Mischmatrixmembran. Entsalzung 146, 3–9 (2002).

Artikel CAS Google Scholar

Ismail, AF, Rahim, RA & Rahman, W. Charakterisierung von Polyethersulfon/Matrimid® 5218 mischbaren Mischmatrixmembranen für die O2/N2-Gastrennung. Sep. Purif. Technol. 63, 200–206 (2008).

Artikel CAS Google Scholar

Tang, F., Niu, B., Zong, G., Zhao, Neuronales Netz. 154, 43–55 (2022).

Artikel PubMed Google Scholar

Si, Z., Yang, M., Yu, Y. & Ding, T. Photovoltaik-Leistungsprognose basierend auf Satellitenbildern unter Berücksichtigung der Auswirkungen der Sonnenposition. Appl. Energie 302, 117514 (2021).

Artikel Google Scholar

Guedes, IA et al. Neue maschinelles Lernen und physikbasierte Bewertungsfunktionen für die Arzneimittelentwicklung. Wissenschaft. Rep. 11, 1–19 (2021).

Artikel MathSciNet Google Scholar

Cheng, F., Liang, H., Niu, B., Zhao, N. & Zhao, X. Adaptive neuronale selbstausgelöste bipartite sichere Steuerung für nichtlineare MASs, die DoS-Angriffen ausgesetzt sind. Inf. Wissenschaft. (Ny) 631, 256–270 (2023).

Artikel Google Scholar

Bansal, M., Goyal, A. & Choudhary, A. Eine vergleichende Analyse der Algorithmen K-Nearest Neighbour, Genetic, Support Vector Machine, Decision Tree und Long Short Term Memory beim maschinellen Lernen. Entscheidung. Anal. J. 3, 100071 (2022).

Artikel Google Scholar

Li, Z., Wang, J., Huang, J. & Ding, M. Entwicklung und Forschung eines Dreieckfilter-Faltungs-Neuronalen Netzwerks zur Optimierung der Kraftstoffnachladung von Block-HTGRs. Appl. Soft Comput. https://doi.org/10.1016/j.asoc.2023.110126 (2023).

Artikel PubMed Google Scholar

Dragoi, E.-N. & Vasseghian, Y. Modellierung des Stofftransports im Vakuummembrandestillationsprozess zur Behandlung radioaktiver Abwässer unter Verwendung künstlicher neuronaler Netze. Toxin Rev. 40, 1526–1535 (2021).

Artikel CAS Google Scholar

Rezakazemi, M., Dashti, A., Asghari, M. & Shirazian, S. H2-selektive Mischmatrixmembranmodellierung mit ANFIS, PSO-ANFIS, GA-ANFIS. Int. J. Hydrogen Energy 42, 15211–15225 (2017).

Artikel CAS Google Scholar

Karimi, M., Hosin Alibak, A., Seyed Alizadeh, SM, Sharif, M. & Vaferi, B. Intelligente Modellierung zur Berücksichtigung der Auswirkung der Art und Erscheinungsform der Bioquelle auf die Wärmekapazität der Biomasse. Mess. J. Int. Mess. Confed. 189, 110529 (2022).

Artikel Google Scholar

Chamani, H. et al. CFD-basiertes genetisches Programmiermodell zur Schätzung des Flüssigkeitseintrittsdrucks hydrophober Membranen. Entsalzung 476, 114231 (2020).

Artikel CAS Google Scholar

Rezakazemi, M., Mosavi, A. & Shirazian, S. ANFIS-Muster zur Optimierung der Trennung molekularer Membranen. J. Mol. Liq. 274, 470–476 (2019).

Artikel CAS Google Scholar

Vural, Y., Ingham, DB & Pourkashanian, M. Leistungsvorhersage einer Protonenaustauschmembran-Brennstoffzelle unter Verwendung des ANFIS-Modells. Int. J. Hydrogen Energy 34, 9181–9187 (2009).

Artikel CAS Google Scholar

Zhao, Z. et al. Vorhersage von Grenzflächenwechselwirkungen im Zusammenhang mit Membranverschmutzung in einem Membranbioreaktor basierend auf einem künstlichen neuronalen Netzwerk (ANN) mit radialer Basisfunktion. Bioresour. Technol. 282, 262–268 (2019).

Artikel CAS PubMed Google Scholar

Kazemian, HB, White, K. & Palmer-Brown, D. Anwendungen der evolutionären SVM zur Vorhersage von Membran-Alpha-Helices. Expertensystem. Appl. 40, 3412–3420 (2013).

Artikel Google Scholar

Saeedi Dehaghani, AH & Pirouzfar, V. Herstellung von Hochleistungsmembranen aus Poly(4-methyl-1-penten)/Zinkoxid-Partikeln. Chem. Ing. Technol. 40, 1693–1701 (2017).

Artikel CAS Google Scholar

Alihosseini, A., Zergani, D. & Saeedi Dehaghani, AH Optimierung von Parametern, die die Trennung von Gasmischungen aus O2, N2, CO2 und CH4 durch eine mit TiO2-, ZnO- und Al2O3-Nanopartikeln modifizierte PMP-Membran beeinflussen. Polyolefine J. 7, 13–24 (2019).

Google Scholar

Saeedi Dehaghani, AH, Pirouzfar, V. & Alihosseini, A. Neuartige Nanokompositmembranen aus Poly(4-methyl-1-penten)/funktionalisiertem Titandioxid zur Verbesserung der Gastransporteigenschaften und der Trennleistung. Polym. Stier. 77, 6467–6489 (2020).

Artikel CAS Google Scholar

Nematollahi, MH, Dehaghani, AHS, Pirouzfar, V. & Akhondi, E. Gemischte Matrixmembranen bestehend aus PMP-Polymer mit dispergierten Aluminiumoxid-Nanopartikelfüllstoffen zur Trennung von CO2/N2. Makromol. Res. 24, 782–792 (2016).

Artikel CAS Google Scholar

Guidotti, R. et al. Ein Überblick über Methoden zur Erklärung von Black-Box-Modellen. ACM-Computing. Überleben. 51, 1–42 (2018).

Artikel Google Scholar

Leperi, KT, Yancy-Caballero, D., Snurr, RQ & You, F. 110-jähriges Jubiläum: Ersatzmodelle auf Basis künstlicher neuronaler Netze zur Simulation und Optimierung von Druckwechseladsorptionszyklen für die CO2-Abscheidung. Ind. Eng. Chem. Res. 58, 18241–18252 (2019).

Artikel CAS Google Scholar

Waqas, S. et al. SVM- und ANN-Modellierungsansatz zur Optimierung der Membranpermeabilität eines rotierenden biologischen Membrankontaktors für die Abwasserbehandlung. Membranen (Basel). 12, 821 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Ke, K.-C. & Huang, M.-S. Qualitätsvorhersage für das Spritzgießen mithilfe eines mehrschichtigen Perzeptron-Neuronalen Netzwerks. Polymere (Basel). 12, 1812 (2020).

Artikel CAS PubMed Central Google Scholar

Pu, L., Li, Y., Gao, P., Zhang, H. & Hu, J. Ein Modell zur Vorhersage der Photosyntheserate unter Verwendung eines verbesserten neuronalen RBF-Netzwerks. Wissenschaft. Rep. 12, 9563 (2022).

Artikel ADS CAS PubMed Central Google Scholar

Ren, K., Jiao, Z., Wu, X.-L. & Han, H.-G. Multivariable Identifizierung von Membranverschmutzungen basierend auf einem kompaktierten kaskadenartigen neuronalen Netzwerk. Kinn. J. Chem. Ing. 53, 37–45 (2023).

Artikel Google Scholar

Fulcher, JA Eine vergleichende Übersicht über kommerzielle ANN-Simulatoren. Berechnen. Stand. Interfaces 16, 241–251 (1994).

Artikel Google Scholar

Curteanu, S. & Cartwright, H. Neuronale Netze, angewendet in der Chemie. I. Bestimmung der optimalen Topologie mehrschichtiger Perzeptron-Neuronalnetze. J. Chemom. 25, 527–549 (2011).

Artikel CAS Google Scholar

Díez, J.-L., Masip-Moret, V., Santafé-Moros, A. & Gozálvez-Zafrilla, JM Vergleich von Steuerungsstrategien künstlicher Intelligenz für einen peristaltisch gepumpten, niederdruckgetriebenen Membranprozess. Membranen (Basel). 12, 883 (2022).

Artikel PubMed PubMed Central Google Scholar

Abdollahzadeh, M. et al. Schätzung der Dichte tief eutektischer Lösungsmittel mithilfe überwachter maschineller Lerntechniken. Wissenschaft. Rep. 12, 1–16 (2022).

Artikel Google Scholar

Wang, J. et al. Vorhersage der CO2-Löslichkeit in tiefen eutektischen Lösungsmitteln mithilfe eines Random-Forest-Modells basierend auf COSMO-RS-abgeleiteten Deskriptoren. Grüne Chem. Ing. 2, 431–440 (2021).

Artikel Google Scholar

MATLAB und Artificial Neural Networks Toolbox (Release 2019a), The MathWorks, Inc., Natick, Massachusetts, USA. (2019).

Referenzen herunterladen

Fakultät für Maschinenbau, Universität Tabriz, Tabriz, Iran

Seyyed Amirreza Abdollahi und Seyyed Faramarz Ranjbar

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SAA: Vorbereitung des Originalentwurfs, Sammeln der Literaturdaten, Datenkuratierung, Modellkonstruktion, formale Analyse. SFR: Erstellung des Originalentwurfs, Relevanzanalyse, Konzeptualisierung, endgültige Genehmigung, Überwachung.

Korrespondenz mit Seyyed Amirreza Abdolahi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Abdollahi, SA, Ranjbar, SF Modellierung der CO2-Trennfähigkeit einer mit verschiedenen Nanopartikeln modifizierten Poly(4-methyl-1-pentan)-Membran durch künstliche neuronale Netze. Sci Rep 13, 8812 (2023). https://doi.org/10.1038/s41598-023-36071-x

Zitat herunterladen

Eingegangen: 22. März 2023

Angenommen: 29. Mai 2023

Veröffentlicht: 31. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-36071-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.