《Separation and Purification Technology》:Quantum-descriptor-guided machine learning for predicting the Pseudo-first-order rate constant of CO
2 absorption by amine-based absorbents
编辑推荐:
胺基吸收剂CO?吸附速率常数预测及机理分析采用集成学习模型(GBDT/AdaBoost),基于量子化学计算的48个分子描述符结合温湿度参数构建50维特征集,通过五折交叉验证优化模型,GBDT模型R2达0.8635,SHAP分析指出LEAmax、X、T为关键因素,Fukui函数和双描述符分析揭示氮原子亲核性是吸附速率的核心结构基础。
刘天雄|余宁波|杜晨宇|肖敏|金波|梁志武|张海燕|高红霞
联合国际二氧化碳捕获与封存中心(iCCS),湖南省化石燃料高效利用以减少二氧化碳排放重点实验室,湖南大学化学与化学工程学院,长沙410082,中国
摘要
基于胺的二氧化碳吸收是一种有前景的二氧化碳捕获技术。准确预测胺基吸收剂对二氧化碳的伪一级反应速率常数(k0)对于设计高效的胺基吸收剂具有重要意义。本研究收集了32种胺基吸收剂在不同操作条件下的1149组实验数据。基于量子化学计算,获得了48个分子描述符,并通过结合温度和胺浓度构建了一个50维的特征集。基于此特征集,建立了两种集成学习模型:梯度提升决策树(GBDT)和自适应提升(AdaBoost)。经过五折交叉验证和网格搜索优化后,GBDT模型在测试集上的决定系数(R2)达到了0.8635。此外,使用杠杆方法进行了异常值分析。Shapley加性解释(SHAP)技术确定了LEAmax、X和T是影响k0的主要因素。进一步的Fukui函数和双描述符分析表明,胺分子中氮原子的亲核性是胺溶液吸收二氧化碳速率的关键分子基础。本研究为开发高效胺基二氧化碳吸收剂提供了可靠的模型框架和理论基础。
引言
随着全球气候变化问题的日益严重,减少温室气体排放和实现碳中和已成为全球共识。为了应对气候变化,各国提出了碳中和目标。例如,欧盟承诺在2050年前实现碳中和[1]。中国提出了“2030年碳排放达峰值,2060年实现碳中和”的战略目标[2]。二氧化碳(CO2)捕获与封存技术(CCS)是实现二氧化碳减排的主要方法[3]。CCS技术涵盖多种工艺路线。其中,胺基吸收技术因其高效的二氧化碳捕获性能而在众多技术中脱颖而出,已成为当前工业应用和学术研究的热点[4]。胺溶液吸收二氧化碳的过程涉及复杂的物理和化学相互作用[5,6]。在筛选具有优异性能的胺基吸收剂时,二氧化碳的吸收速率是一个重要的衡量指标,而胺基吸收剂对二氧化碳的k0可以有效地反映这一速率[7,8]。因此,准确快速地获得胺基吸收剂对二氧化碳的k0对于优化胺溶液配方、提高整个二氧化碳捕获过程的效率以及降低相关成本至关重要。
传统上,获取胺基吸收剂对二氧化碳吸收的k0的方法主要依赖于实验室测量或动力学模型。实验测定通常需要较高的人力、物质和时间成本。用于测量k0的仪器包括湿壁塔反应器、喷射反应器和停止流反应器等[9]。由于实验仪器和条件的差异,测量结果往往存在一定程度的误差。相比之下,动力学模型可以在一定程度上避免实验硬件带来的不确定性。它基于成熟的理论,抽象地总结了胺基吸收剂与二氧化碳之间的复杂反应过程。仅凭理论知识和一些关键参数,就可以初步估计k0的值。已经有许多动力学模型用于估计k0。罗等人使用停止流技术确定了乙醇胺(MEA)溶液中二氧化碳吸收的k0,并提出了基于两性离子机制的改进动力学模型。验证表明,该模型在预测MEA吸收二氧化碳的k0时的平均绝对相对偏差(AARD)仅为6.73%[10]。陈等人测量了六种胺溶液在特定浓度和温度条件下的二氧化碳吸收k0值,并使用两性离子机制和碱性催化机制为这六种胺溶液构建了动力学模型。结果显示,基于两性离子机制的动力学模型估计的k0值与实验值吻合良好,AARD为1.08%–3.89%[11]。尽管这些动力学模型可以在一定程度上估计胺基吸收剂对二氧化碳的吸收k0,但它们通常存在某些局限性。一方面,这些模型通常依赖于一些关键参数,而这些参数大多是在特定温度和浓度等相对狭窄的实验条件下测量的和拟合的。一旦实际应用场景的条件超出这一范围,模型的可靠性会大大降低。另一方面,模型的通用性较差。大多数报道的动力学模型是为特定胺系统开发的,难以直接扩展到其他胺系统。为了克服这些局限性,准确且通用的模型已成为当前研究的热点,因此迫切需要一个新的模型来解决上述问题。
近年来,机器学习(ML)模型凭借其出色的数据挖掘能力为化学过程建模提供了新的范式[12,13]。这种数据驱动的方法可以直接从大量实验数据中挖掘复杂的非线性关系,克服了传统动力学模型对简化假设的依赖。在胺溶液系统的研究中,成功的案例验证了ML在预测二氧化碳平衡溶解度[14]、溶液粘度[15]、亲核指数[16]和酸碱解离常数[17]等热力学参数方面的可行性。其预测准确性和鲁棒性显著超过了传统的经验公式。值得注意的是,ML模型可以使用单个学习器或集成学习框架构建。集成学习涉及训练多个基础学习器,并通过投票、加权平均或逐步改进等方法融合它们的输出,以获得一个综合模型。与单一学习模型相比,集成学习在偏差权衡方面通常表现更好。一方面,通过融合多个模型,它可以降低单个模型对数据扰动的敏感性,提高泛化能力和抗噪能力。另一方面,不同学习器的互补性可以更全面地描述复杂的非线性关系,降低过拟合的风险。此外,基于树的集成模型(如GBDT和AdaBoost)可以自然提供特征重要性指标,并可以与SHAP解释方法结合使用,定量分析每个特征对预测结果的贡献,从而在确保预测性能的同时提高模型的可解释性[18]。
本研究将集成学习框架应用于胺基吸收剂对二氧化碳吸收的k0的预测建模。本研究调查的胺基吸收剂包括32种代表性的胺类,涵盖伯胺/仲胺/叔胺和环胺(例如MEA、DEA、MDEA、AMP、TEA和PZ,完整列表见表S1)。借助量子化学计算获得了胺分子的描述符,并结合温度和浓度因素,通过特征工程设计构建了两种集成学习模型GBDT和AdaBoost。同时,通过SHAP值分析揭示了胺分子结构参数和操作条件对k0值影响的非线性机制。本研究为新型吸收剂的开发提供了一个可靠的数字工具,同时也为化学过程动力学参数的集成学习建模提供了方法论参考。
反应机理
胺水溶液中的二氧化碳吸收途径取决于胺的结构和溶液的组成,因此有必要在本研究中明确解释这些机理及其相应的动力学方程和表观伪一级反应速率常数的形式。
模型特征分析
先前的研究已经明确表明,伯胺/仲胺与二氧化碳的反应遵循两性离子机制[20],而叔胺与二氧化碳的反应则通过碱催化的水合机制进行[21]。由于这种差异,再加上叔胺的立体阻碍较大,它们与二氧化碳的反应速度比伯胺和仲胺慢。不同类型胺基吸收剂对二氧化碳的k0值分布
结论
本研究专注于使用集成模型预测胺基吸收剂吸收二氧化碳的k0的任务,并在数据处理、模型构建和评估以及特征分析方面取得了重要成果。在数据处理阶段,从多源文献收集的1149个数据点中筛选和预处理后获得了992个数据点,为后续的模型训练奠定了良好基础。在构建模型时,使用了48个胺分子
CRediT作者贡献声明
刘天雄:撰写——原始草案,软件,方法论,形式分析,数据管理,概念化。余宁波:方法论,形式分析,数据管理。杜晨宇:软件,方法论。肖敏:软件,方法论。金波:资源,方法论。梁志武:可视化,项目管理,资金获取。张海燕:软件,数据管理。高红霞:撰写——审阅与编辑,可视化,监督,项目管理,资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
感谢国家自然科学基金(NSFC编号:22222802、22138002和U23A20118)、国家重点研发计划(项目编号:2023YFB4103900)、内蒙古自治区重大科技项目(2021ZD0022)以及湖南大学化学工程与技术专业卓越工程师培训计划(教育部编号2011-40)的财政支持。