کاربرد یادگیری ماشین در بررسی ویژگی های ساختاری و شیمیایی غشاهای پلیمری برای جذب کربن دی اکسید

در سال های اخیر، کاربرد فناوری‌های غشایی در جداسازی گازهای صنعتی و ذخیره کربن رو به گسترش است و هوش مصنوعی می‌تواند نقش بی بدیلی در کاهش هزینه‌ها و رفع موانع اجرایی توسعه این فناوری ایفا نماید. در این پژوهش، به منظور برطرف کردن محدودیت های مطالعات آزمایشگاهی و افزایش سرعت شناسایی غشاهای جدید و کارآمدتر در صنعت جداسازی گاز، یک مدل یادگیری ماشین با توجه به خواص فیزیکی و شیمیایی پلیمرها توسعه داده شده است. به طور خاص، الگوریتم جنگل تصادفی برای پیش‌بینی عملکرد غشاء از جمله تراوایی و گزینش پذیری برای جداسازی کربن دی اکسید/متان استفاده شده است. سپس روش توضیحات جمعی شیپلی برای تفسیر نتایج مورد استفاده قرار گرفته است. علاوه بر این، در این مطالعه به منظور مدل سازی پلیمرها با استفاده از یادگیری ماشین از روش اثر انگشت و توصیف گرهای مولکولی استفاده شده است. نتایج نشان داد که مساحت سطح قطبی گروه های تشکیل دهنده پلیمر، یکی از اصلی ترین پارامترهای موثر در عملکرد غشاء است. علاوه بر این، یافته‌ها نشان داد که گروه‌های قطبی در ساختار پلیمر، تاثیر منفی بر تراوایی دارند، در حالی که با گزینش پذیری همبستگی مثبتی دارند. تاثیر منفی حلقه های آروماتیک بر تراوایی غشاها یکی دیگر از یافته های این مطالعه بود.

application of machine learning to provide an insight into chemical and structural features of polymeric membranes for co2 capture

in recent years, the application of membrane technologies has increased for both gas separation and carbon capture and artificial intelligence (ai) can play a crucial role in reducing the costs and removing the implementation related hurdles of these technologies. in this study, in order to address the limitation of experimental research and accelerate the pace of identifying new and effective membranes for being used in the gas industry, a machine learning (ml) technique has been developed based on polymers’ physical and chemical properties. in particular, the random forest (rf) algorithm is used to predict membrane performance in terms of permeability and selectivity for co2/ch4 separation. then, the shapley additive explanations (shap) method was used to interpret the results. in addition, in order to introduce polymers to ml model, fingerprinting and molecular descriptor approaches were used simultaneously.  the results proved that the topological polar surface area (tpsa) is one of the most influential parameters on membrane performance. furthermore, findings revealed that polar groups in polymer backbone structure have a negative effect on permeability, while they are positively correlated with selectivity. another outcome of the present study was about the negative effect of aromatic rings on membranes permeability.