人工智能机器学习助力离子液体CO捕集性能分析

作     者：张瑞娜 田媛 葛春亮 张威 卢晗锋 崔国凯 

作者机构：浙江工业大学绿色化学合成技术国家重点实验室培育基地化学工程学院催化反应工程研究所 中国科学院过程工程研究所多相复杂系统国家重点实验室中国科学院绿色过程与工程重点实验室离子液体清洁过程北京市重点实验室 浙江浙能科技环保集团股份有限公司 

出 版 物：《科学通报》 (Chinese Science Bulletin)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 081704[工学-应用化学] 07[理学] 070304[理学-物理化学(含∶化学物理)] 08[工学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0817[工学-化学工程与技术] 0835[工学-软件工程] 0703[理学-化学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(22078294,22378353) 浙江省重点研发项目(2024C03108,2023C03127) 浙江省自然科学基金(LTGS24E080008) 浙江浙能科技环保集团股份有限公司项目(TD-KJ-24-007)资助 

主　　题：人工智能 机器学习 离子液体 二氧化碳捕集 定量结构-性能关系 

摘      要：随着我国碳达峰、碳中和战略的实施,煤电、钢铁、水泥等产业CO2捕集迫在眉睫.为了替代高能耗、易挥发的有机胺CO2吸收剂,不挥发、高稳定、可设计的离子液体CO2吸收剂受到广泛关注.相对于传统实验试错方法,人工智能机器学习成为实现快速预测离子液体CO2捕集性能、选择最佳离子液体吸收剂的重要途径.本文在简要介绍机器学习算法和模型的基础上,从离子液体的描述符出发,综述了近年来基于人工智能和机器学习的定量结构-性能关系（quantitative structure-property relationship, QSPR）方法用于离子液体CO2捕集性能研究的进展,重点介绍离子液体的分子结构描述符的种类及相应QSPR模型建立方法,对机器学习应用于离子液体CO2捕集性能研究中存在的问题和进一步的研究工作提出了建议.本文有助于数据与化学化工交叉学科研究人员开发高效离子液体CO2吸收剂.