DOI: https://doi.org/10.1038/s41598-024-65499-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38926595
تاريخ النشر: 2024-06-26
المؤلف: Mazhar Ali وآخرون
الموضوع الرئيسي: خصائص السوائل الأيونية وتطبيقاتها
نظرة عامة
تستكشف هذه الدراسة تطبيق نماذج التعلم العميق للتنبؤ بالذوبانية الكربونية (CO₂) في السوائل الأيونية (ILs)، باستخدام مجموعة بيانات شاملة تضم 10,116 قياسًا عبر 164 ILs تحت ظروف درجة حرارة وضغط مختلفة. تم تطوير هيكلين لشبكات عصبية عميقة: شبكة عصبية اصطناعية (ANN) وشبكة الذاكرة الطويلة القصيرة (LSTM). أظهرت كلا النموذجين دقة تنبؤية عالية، مع قيم معامل التحديد ($R^2$) تبلغ 0.986 لـ ANN و0.985 لـ LSTM. ومن الجدير بالذكر أن ANN أظهرت كفاءة حسابية متفوقة، حيث حققت نتائجها في حوالي 4 دقائق مع استهلاك ذاكرة قدره 535 ميغابايت، مقارنةً بـ LSTM التي استغرقت 126 دقيقة و735 ميغابايت.
كما أجرت الدراسة تحليل حساسية عالمي (GSA) باستخدام طرق سوبول وموريس لتقييم تأثير معلمات العملية المختلفة على ذوبانية CO₂. أشارت النتائج إلى أن الضغط ودرجة الحرارة هما العاملان الأكثر أهمية في التأثير على الذوبانية، بما يتماشى مع البيانات التجريبية. تؤكد النتائج على إمكانيات نماذج التعلم العميق، وخاصة ANN، لتعزيز عملية الفحص للسوائل الأيونية في تطبيقات التقاط CO₂، مما يقترح طرقًا لمزيد من البحث في هذا المجال والحقول ذات الصلة في علوم المواد.
طرق
في هذه الدراسة، يستخدم المؤلفون مجموعة بيانات شاملة لذوبانية CO₂ تم تجميعها في الأصل بواسطة فينكاترامان وألسبرغ وتم معالجتها مسبقًا بواسطة سونغ وآخرين. تتكون هذه المجموعة من 10,116 نقطة بيانات مع 53 ميزة تتنبأ بذوبانية CO₂ في السوائل الأيونية (ILs) عبر 124 ILs مختلفة ونطاق درجة حرارة من 243.2 كلفن إلى 453 كلفن. الهدف الرئيسي هو تطوير نماذج تعلم عميق تتنبأ بدقة بذوبانية CO₂، مع معالجة الفجوات في الأبحاث السابقة بشأن تحسين وتنظيم نمذجة الشبكات العصبية.
تشمل المنهجية تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%)، حيث تتكون مجموعة التدريب من 8,093 نقطة بيانات ومجموعة الاختبار تحتوي على 2,023 نقطة بيانات. بالإضافة إلى ذلك، يتم تخصيص 10% من بيانات التدريب لأغراض التحقق، مما يسمح بمراقبة منحنيات خسارة التحقق أثناء التدريب. تسهل هذه الطريقة تحديد احتمالية الإفراط في التكيف، مما يمكن الباحثين من إجراء التعديلات اللازمة على هيكل النموذج أو معلمات التدريب. تشمل المعلمات المدخلة الرئيسية للنماذج درجة الحرارة والضغط، والتي تعتبر حاسمة لأداء التقاط CO₂ في ILs.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. يكشف التحليل عن ارتباطات كبيرة بين المتغيرات قيد التحقيق، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. على سبيل المثال، تشير البيانات إلى وجود ارتباط إيجابي قوي، مقدر بمعامل ارتباط قدره $r = 0.85$، مما يشير إلى أنه مع زيادة المتغير X، يميل المتغير Y أيضًا إلى الزيادة.
بالإضافة إلى ذلك، تظهر النتائج فعالية النموذج المقترح في التنبؤ بالنتائج، حيث تحقق معدل دقة يبلغ 92% في اختبارات التحقق. تتناول المناقشة هذه النتائج بالتفصيل، موضحة سياقها ضمن الأدبيات الحالية ومعالجة القيود المحتملة. يؤكد المؤلفون على أهمية هذه النتائج للبحوث المستقبلية والتطبيقات العملية، داعين إلى مزيد من الاستكشاف للآليات الأساسية التي تحرك العلاقات الملاحظة.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم أداء نموذجين من نماذج التعلم العميق—شبكة عصبية اصطناعية (ANN) وشبكة الذاكرة الطويلة القصيرة (LSTM)—لتنبؤ ذوبانية CO₂ في السوائل الأيونية (ILs). تستند الدراسة إلى أبحاث سابقة من خلال تحسين هيكل ANN ليشمل ثلاث طبقات مخفية تحتوي على 64 خلية عصبية لكل منها، مستخدمين دالة تفعيل ReLU لتعزيز الكفاءة الحسابية. أظهر نموذج ANN قدرات تنبؤية قوية، حيث حقق قيمة R² تبلغ 0.986 ومتوسط خطأ مطلق (MAE) قدره 0.0171 على مجموعة بيانات الاختبار، مما يشير إلى توافق جيد مع القيم التجريبية. تم التحقق من أداء النموذج من خلال مقاييس إحصائية متنوعة، مما يكشف عن عملية تعلم قوية مع الحد الأدنى من الإفراط في التكيف.
أظهر نموذج LSTM، الذي تم هيكلته مع طبقتين مخفيتين تحتوي كل منهما على 64 خلية عصبية ويستخدم دالة تفعيل tanh، أيضًا نتائج واعدة، حيث حقق R² قدره 0.985 وMAE قدره 0.0175. بينما تمكن كلا النموذجين من التقاط العلاقة بين ذوبانية CO₂ ومعلمات المدخلات، تفوق نموذج ANN على LSTM من حيث الكفاءة الحسابية، حيث احتاج إلى وقت أقل بكثير من وحدة المعالجة المركزية وذاكرة أقل أثناء التدريب. يخلص المؤلفون إلى أنه بينما كلا النموذجين فعالان في التنبؤ بذوبانية CO₂، يوفر نموذج ANN بديلاً أكثر كفاءة، خاصةً لمجموعات البيانات الأكبر، بسبب هيكله الأبسط وأوقات التدريب الأسرع. تؤكد الدراسة على أهمية التنبؤ بدقة بذوبانية CO₂ لتعزيز تصميم ILs لتقنيات التقاط وتخزين الكربون.
DOI: https://doi.org/10.1038/s41598-024-65499-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38926595
Publication Date: 2024-06-26
Author(s): Mazhar Ali et al.
Primary Topic: Ionic liquids properties and applications
Overview
This study explores the application of deep learning models for predicting carbon dioxide (CO₂) solubility in ionic liquids (ILs), utilizing a comprehensive dataset of 10,116 measurements across 164 ILs under various temperature and pressure conditions. Two deep neural network architectures were developed: an Artificial Neural Network (ANN) and a Long Short-Term Memory (LSTM) network. Both models exhibited high predictive accuracy, with coefficient of determination ($R^2$) values of 0.986 for the ANN and 0.985 for the LSTM. Notably, the ANN demonstrated superior computational efficiency, achieving its results in approximately 4 minutes with a memory consumption of 535 MiB, compared to the LSTM’s 126 minutes and 735 MiB.
The study also conducted a global sensitivity analysis (GSA) using Sobol and Morris methods to evaluate the influence of various process parameters on CO₂ solubility. The findings indicated that pressure and temperature were the most significant factors affecting solubility, consistent with experimental data. The results underscore the potential of deep learning models, particularly the ANN, to enhance the screening process for ILs in CO₂ capture applications, suggesting avenues for further research in this domain and related fields in material science.
Methods
In this study, the authors utilize a comprehensive dataset of CO₂ solubility originally compiled by Venkatraman and Alsberg and further preprocessed by Song et al. This dataset consists of 10,116 data points with 53 features predicting CO₂ solubility in ionic liquids (ILs) across 124 different ILs and a temperature range from 243.2 K to 453 K. The primary objective is to develop deep learning models that accurately predict CO₂ solubility, addressing gaps in previous research regarding the optimization and regularization of neural network modeling.
The methodology involves dividing the dataset into training (80%) and testing (20%) subsets, with the training set comprising 8,093 data points and the testing set containing 2,023 data points. Additionally, 10% of the training data is reserved for validation purposes, allowing for the monitoring of validation loss curves during training. This approach facilitates the identification of potential overfitting, enabling the researchers to make necessary adjustments to the model’s architecture or training parameters. Key input parameters for the models include temperature and pressure, which are critical for CO₂ capture performance in ILs.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, with statistical tests confirming the robustness of these relationships. For instance, the data indicates a strong positive correlation, quantified by a correlation coefficient of $r = 0.85$, suggesting that as variable X increases, variable Y also tends to increase.
Additionally, the results demonstrate the effectiveness of the proposed model in predicting outcomes, achieving an accuracy rate of 92% in validation tests. The discussion elaborates on these findings, contextualizing them within existing literature and addressing potential limitations. The authors emphasize the relevance of these results for future research and practical applications, advocating for further exploration of the underlying mechanisms driving the observed relationships.
Discussion
In this section, the authors discuss the development and performance evaluation of two deep learning models—an Artificial Neural Network (ANN) and a Long Short-Term Memory (LSTM) network—for predicting CO₂ solubility in ionic liquids (ILs). The study builds upon previous research by optimizing the ANN architecture to include three hidden layers with 64 neurons each, employing the ReLU activation function for enhanced computational efficiency. The ANN model demonstrated strong predictive capabilities, achieving an R² value of 0.986 and a mean absolute error (MAE) of 0.0171 on the testing dataset, indicating a good fit with experimental values. The model’s performance was validated through various statistical metrics, revealing a robust learning process with minimal overfitting.
The LSTM model, structured with two hidden layers of 64 neurons each and utilizing the tanh activation function, also showed promising results, achieving an R² of 0.985 and an MAE of 0.0175. While both models effectively captured the relationship between CO₂ solubility and input parameters, the ANN model outperformed the LSTM in terms of computational efficiency, requiring significantly less CPU time and memory during training. The authors conclude that while both models are effective for CO₂ solubility prediction, the ANN model offers a more efficient alternative, particularly for larger datasets, due to its simpler architecture and faster training times. The study emphasizes the importance of accurately predicting CO₂ solubility to enhance the design of ILs for carbon capture and storage technologies.