DOI: https://doi.org/10.1021/acsomega.4c01175
PMID: https://pubmed.ncbi.nlm.nih.gov/38708262
تاريخ النشر: 2024-04-19
المؤلف: Mood Mohan وآخرون
الموضوع الرئيسي: خصائص السوائل الأيونية وتطبيقاتها
نظرة عامة
تبحث هذه الدراسة في استخدام نماذج التعلم الآلي (ML) للتنبؤ بالذوبانية لثاني أكسيد الكربون (CO₂) في المذيبات العميقة المتفاعلة كيميائيًا (DESs)، والتي تُعترف بإمكاناتها في التقاط CO₂ نظرًا لكونها صديقة للبيئة وفعالة. تجمع الدراسة مجموعة بيانات تتكون من 214 نقطة بيانات تجريبية عبر 149 نوعًا مختلفًا من DESs، مع تضمين درجات حرارة وضغوط ونسب مولية متنوعة. تستخدم نماذج ML ميزات إدخال مدفوعة بالفيزياء مستمدة من طريقة COSMO-RS الكيميائية الكمومية، وتحديدًا أوصاف ملف σ، لتعزيز دقة التنبؤ. من بين النماذج التي تم تقييمها، أظهر الشبكة العصبية الاصطناعية (ANN) أفضل أداء، حيث حققت انحراف نسبي مطلق متوسط (AARD) قدره 2.94% على مجموعات الاختبار.
تشير النتائج الرئيسية إلى أن ذوبانية CO₂ عمومًا تنخفض مع زيادة درجة الحرارة، ومع ذلك، تظهر DESs المتفاعلة كيميائيًا زيادة غير عادية في الذوبانية مع ارتفاع درجات الحرارة، حيث تحدث الذوبانية المثلى في نطاقات درجات حرارة محددة. تؤثر حموضة (pKₐ) DESs بشكل كبير على ذوبانية CO₂، حيث ترتبط قيم pKₐ الأعلى بزيادة الذوبانية. بالإضافة إلى ذلك، تؤثر البنية الجزيئية لـ DESs، المميزة بمناطق مانحة ومستقبلة للإلكترونات، على الذوبانية، حيث تسهل التفاعلات بين الجزيئات الأضعف الهجمات النووية على CO₂. تلعب اللزوجة أيضًا دورًا حاسمًا، حيث تكون اللزوجة المنخفضة عادةً مفضلة، على الرغم من وجود استثناءات حيث يمكن أن تعزز اللزوجة الأعلى الذوبانية. بشكل عام، لا تؤسس هذه الدراسة إطار عمل قويًا للتعلم الآلي للتنبؤ بذوبانية CO₂ في DESs المتفاعلة كيميائيًا فحسب، بل تقدم أيضًا رؤى قيمة حول العوامل التي تؤثر على التقاط CO₂، مما يمهد الطريق لتصميمات تجريبية أكثر كفاءة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم لثاني أكسيد الكربون (CO₂) كغاز دفيئة رئيسي، يتم انبعاثه بشكل أساسي من احتراق الوقود الأحفوري عبر مختلف القطاعات، مما يساهم بشكل كبير في تغير المناخ وآثاره المرتبطة. على الرغم من استكشاف العديد من تقنيات التقاط الكربون، تواجه الطرق التقليدية تحديات مثل التكاليف العالية والمخاوف البيئية. وبالتالي، هناك حاجة ملحة لعمليات التقاط CO₂ مبتكرة وفعالة. تم تحديد السوائل الأيونية (ILs) كمذيبات محتملة لالتقاط CO₂، ولكن تكاليف إنتاجها العالية دفعت الباحثين إلى التحقيق في المذيبات العميقة المتفاعلة كيميائيًا (DESs) كبديل أكثر استدامة. تقدم DESs، التي يمكن تصنيعها من موارد متجددة مع متطلبات طاقة قليلة، مزايا مثل سهولة التحضير وتقليل التأثير البيئي.
تناقش الورقة أيضًا سعات امتصاص CO₂ المتنوعة لـ DESs، مميزة بين الأنواع المعتمدة على الفيزياء وتلك المتفاعلة كيميائيًا. بينما تظهر DESs المعتمدة على الفيزياء ذوبانية محدودة لـ CO₂، فإن DESs المتفاعلة كيميائيًا، وخاصة تلك التي تحتوي على مجموعات مفرطة الأمين، تظهر قدرات امتصاص معززة بشكل كبير. يشير المؤلفون إلى أنه على الرغم من الإمكانات الواعدة لـ DESs المتفاعلة كيميائيًا، فإن الأبحاث الحالية اعتمدت بشكل أساسي على الطرق التجريبية، والتي تعتبر غير عملية لفحص مجموعة واسعة من تركيبات DES الممكنة. لمعالجة هذه القيود، تقترح الدراسة دمج نماذج التعلم الآلي (ML) مع طريقة COSMO-RS الحسابية للتنبؤ بذوبانية CO₂ في DESs المتفاعلة كيميائيًا، بهدف تبسيط تطوير المذيبات الفعالة لالتقاط الكربون. سيتم تقييم خوارزميات ML المختلفة من حيث دقتها التنبؤية، مع التركيز على فهم العوامل التي تؤثر على أداء النموذج من خلال تحليل الشرح الإضافي لشابلي (SHAP).
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية التي تم إجراؤها. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن النموذج أو الفرضية المقترحة تتنبأ بفعالية بالظواهر الملحوظة، كما يتضح من معاملات التحديد العالية ($R^2$) وقيم p المنخفضة، مما يشير إلى دلالة إحصائية قوية.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، موضحة سياقها ضمن الأدبيات الموجودة. تدعم النتائج ليس فقط الفرضيات الأولية ولكن أيضًا تقدم رؤى جديدة حول الآليات الأساسية المعنية. يؤكد المؤلفون على أهمية هذه النتائج في توجيه أبحاث المستقبل والتطبيقات المحتملة في هذا المجال، داعين إلى مزيد من الاستكشاف للتحقق من الاتجاهات الملحوظة وتوسيعها.
المناقشة
في هذا القسم، يقدم المؤلفون تحليلًا شاملاً لذوبانية CO₂ في المذيبات العميقة المتفاعلة كيميائيًا (DESs)، حيث يجمعون مجموعة بيانات تتكون من 214 نقطة بيانات عبر 149 نوعًا متميزًا من DESs، والتي تتميز بتنوعها الهيكلي. تؤكد الدراسة على تضمين DESs المتفاعلة كيميائيًا، وخاصة تلك التي تحتوي على مجموعات الأمين، والتي تظهر تفاعلية عالية مع CO₂. على الرغم من أن مجموعة البيانات أصغر من بعض مجموعات بيانات التعلم الآلي (ML) السابقة، إلا أنها تشمل تنوعًا أوسع من DESs، مما يعزز أهميتها لنمذجة التنبؤ. استخدم المؤلفون نهج COSMO-RS لتوليد ملفات σ، والتي تم استخدامها لاحقًا كميزات إدخال في نماذج ML المختلفة، بما في ذلك الشبكات العصبية الاصطناعية (ANN)، وآلات الدعم الشعاعي (SVM)، والغابات العشوائية (RF)، والأشجار المعززة بالتدرج (GBT).
أظهر نموذج ANN دقة تنبؤية متفوقة لذوبانية CO₂، حيث حقق معامل تحديد ($R^2 = 0.989$) على بيانات الاختبار، متفوقًا بشكل كبير على النماذج الأخرى. كشفت تحليل ميزات الإدخال أن عوامل مثل الضغط، وأوصاف ملف σ المحددة، وثابت التفكك ($pK_a$) تؤثر إيجابيًا على ذوبانية CO₂. من المثير للاهتمام أن الدراسة وجدت أنه بينما تنخفض ذوبانية CO₂ عادةً مع زيادة درجة الحرارة في السياقات العامة، فإنها تزيد في DESs المتفاعلة كيميائيًا، مما يبرز السلوك الفريد لهذه المذيبات. كما أجرى المؤلفون تحليل تشابه تاني موتو لتقييم التنوع الهيكلي لمستقبلات الهيدروجين (HBAs) ومتبرعات الهيدروجين (HBDs) المستخدمة، كاشفين عن مجموعة واسعة من الهياكل الكيميائية ومؤكدين الإمكانية لتطوير DESs جديدة لتعزيز ذوبانية CO₂. بشكل عام، تؤكد النتائج على فعالية نموذج ANN وأهمية الخصائص الجزيئية المحددة في التنبؤ بذوبانية CO₂ في DESs.
DOI: https://doi.org/10.1021/acsomega.4c01175
PMID: https://pubmed.ncbi.nlm.nih.gov/38708262
Publication Date: 2024-04-19
Author(s): Mood Mohan et al.
Primary Topic: Ionic liquids properties and applications
Overview
This research investigates the use of machine learning (ML) models to predict the solubility of carbon dioxide (CO₂) in chemically reactive deep eutectic solvents (DESs), which are recognized for their potential in CO₂ capture due to their eco-friendliness and effectiveness. The study compiles a dataset of 214 experimental data points across 149 different DESs, incorporating various temperatures, pressures, and molar ratios. The ML models utilize physics-driven input features derived from the COSMO-RS quantum chemical method, specifically σ-profile descriptors, to enhance prediction accuracy. Among the models evaluated, an artificial neural network (ANN) demonstrated the best performance, achieving an average absolute relative deviation (AARD) of 2.94% on test sets.
Key findings indicate that CO₂ solubility generally decreases with temperature, yet chemically reactive DESs exhibit an unusual increase in solubility with rising temperatures, with optimal solubility occurring at specific temperature ranges. The acidity (pKₐ) of DESs significantly influences CO₂ solubility, with higher pKₐ values correlating with increased solubility. Additionally, the molecular structure of DESs, characterized by electron donor and acceptor regions, affects solubility, with weaker intermolecular interactions facilitating nucleophilic attacks on CO₂. Viscosity also plays a critical role, where lower viscosity is typically favorable, although exceptions exist where higher viscosity can enhance solubility. Overall, this work not only establishes a robust ML framework for predicting CO₂ solubility in chemically reactive DESs but also provides valuable insights into the factors influencing CO₂ capture, paving the way for more efficient experimental designs.
Introduction
The introduction of the research paper highlights the critical role of carbon dioxide (CO₂) as a major greenhouse gas, primarily emitted from fossil fuel combustion across various sectors, contributing significantly to climate change and its associated impacts. Despite the exploration of numerous carbon capture technologies, conventional methods face challenges such as high costs and environmental concerns. Consequently, there is a pressing need for innovative and efficient CO₂ capture processes. Ionic liquids (ILs) have been identified as potential solvents for CO₂ capture, but their high production costs have led researchers to investigate deep eutectic solvents (DESs) as a more sustainable alternative. DESs, which can be synthesized from renewable resources with minimal energy requirements, offer advantages such as ease of preparation and reduced environmental impact.
The paper further discusses the varying CO₂ absorption capacities of DESs, distinguishing between physically based and chemically reactive types. While physically based DESs exhibit limited CO₂ solubility, chemically reactive DESs, particularly those incorporating amine-functionalized groups, demonstrate significantly enhanced absorption capabilities. The authors note that despite the promising potential of chemically reactive DESs, existing research has predominantly relied on experimental methods, which are impractical for screening the vast array of possible DES combinations. To address this limitation, the study proposes the integration of machine learning (ML) models with the COSMO-RS computational method to predict CO₂ solubility in chemically reactive DESs, aiming to streamline the development of effective carbon capture solvents. Various ML algorithms will be evaluated for their predictive accuracy, with a focus on understanding the factors influencing model performance through Shapley additive explanation (SHAP) analysis.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures conducted. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the proposed model or hypothesis effectively predicts the observed phenomena, as evidenced by the high coefficients of determination ($R^2$) and low p-values, suggesting strong statistical significance.
Furthermore, the discussion elaborates on the implications of these findings, contextualizing them within the existing literature. The results not only support the initial hypotheses but also provide new insights into the underlying mechanisms at play. The authors emphasize the relevance of these findings for future research directions and potential applications in the field, advocating for further exploration to validate and expand upon the observed trends.
Discussion
In this section, the authors present a comprehensive analysis of CO₂ solubility in deep eutectic solvents (DESs), compiling a dataset of 214 data points across 149 distinct DESs, which is notable for its structural diversity. The study emphasizes the inclusion of chemically reactive DESs, particularly those containing amine groups, which exhibit high reactivity with CO₂. While the dataset is smaller than some previous machine learning (ML) datasets, it encompasses a broader variety of DESs, enhancing its relevance for predictive modeling. The authors employed a COSMO-RS approach to generate σ-profiles, which were subsequently utilized as input features in various ML models, including artificial neural networks (ANN), support vector machines (SVM), random forests (RF), and gradient-boosted trees (GBT).
The ANN model demonstrated superior predictive accuracy for CO₂ solubility, achieving a coefficient of determination ($R^2 = 0.989$) on test data, significantly outperforming the other models. The analysis of input features revealed that factors such as pressure, specific σ-profile descriptors, and the dissociation constant ($pK_a$) positively influence CO₂ solubility. Interestingly, the study found that while CO₂ solubility typically decreases with temperature in general contexts, it increases in chemically reactive DESs, highlighting the unique behavior of these solvents. The authors also conducted Tanimoto similarity analysis to assess the structural diversity of the HBAs and HBDs used, revealing a wide range of chemical structures and confirming the potential for developing novel DESs to enhance CO₂ solubility. Overall, the findings underscore the effectiveness of the ANN model and the importance of specific molecular characteristics in predicting CO₂ solubility in DESs.