用于等离子体法CO2转化预测的机器学习框架:在计算效率与实验工作量之间取得平衡

《Energy Conversion and Management》:Machine learning framework for prediction of plasma-based carbon dioxide conversion: Balancing computational efficiency with experimental efforts

【字体: 大 中 小 】 时间:2026年03月07日 来源:Energy Conversion and Management 11.8

编辑推荐:

  等离子体法二氧化碳(CO2)转化通常涉及多个相互作用的参数,且实验研究资源消耗大。机器学习(Machine Learning, ML)是一种潜在的解决方案,但受限于数据集稀缺。本研究开发了一个ML框架,将文献数据与针对性局部实验数据相结合,以预测介质阻挡放电(

  
等离子体法二氧化碳(CO2)转化通常涉及多个相互作用的参数,且实验研究资源消耗大。机器学习(Machine Learning, ML)是一种潜在的解决方案,但受限于数据集稀缺。本研究开发了一个ML框架,将文献数据与针对性局部实验数据相结合,以预测介质阻挡放电(Dielectric Barrier Discharge, DBD)反应器中的CO2转化率(CO2conversion)及能量效率(Energy Efficiency, EE)。基于文献数据预训练的人工神经网络(Artificial Neural Network, ANN)虽总体趋势吻合,但对局部实验数据预测精度较差。随后,研究人员通过随机搜索(Random Search, RS)和主动学习(Active Learning, AL)策略,将局部实验数据逐步纳入以迭代优化混合ANN模型。尽管基于RS的混合模型仅需选取45组实验数据即达到高预测精度(R2> 0.95),使计划实验量减少38%,但基于AL的模型表现出更优的鲁棒性,在选用55个数据点时可获得相当精度并产生无偏预测。此类混合模型还量化了添加实验数据至文献数据的最优比例(0.52–0.63),以兼顾利用广泛文献规律与适配特定实验特征。本研究为平衡计算效率与实验工作量提供了基于协同数据集的新见解,推进了ML驱动的等离子体CO2转化过程优化。
《Energy Conversion and Management》刊载论文解读:等离子体法CO2转化预测的混合型机器学习框架研究
一、研究背景与意义
非热等离子体(Non-thermal Plasma, NTP)技术因可在温和条件下活化热力学稳定的CO2分子,被视为极具前景的Power-to-X(P2X)路径。然而等离子体法CO2分解涉及放电功率、气体流量、放电气隙及反应器长度等多参数强耦合作用,传统试错实验耗时耗力。机器学习(Machine Learning, ML)虽能挖掘高维非线性关系,但等离子体领域面临两大瓶颈:一是公开一致的高质量数据集匮乏,仅靠单一课题组有限本地实验数据训练易导致过拟合及泛化性差;二是纯文献汇总数据因各研究组反应器几何尺寸与测试条件差异大,直接训练难以准确预测特定实验室DBD反应器的性能。为此,研究人员开展本研究,提出一种融合广泛文献知识与少量针对性本地实验的混合型ANN建模框架,旨在以最少实验代价获得高精度、可迁移的预测模型,并量化文献与实验数据的适宜配比。
二、主要关键技术方法
研究人员首先从已发表的同轴DBD反应器CO2拆分研究中筛选报道了放电功率(Power, W)、气体流量(Flow rate, mL/min)、放电气隙(Discharge gap, mm)及放电长度(Discharge length, mm)四项输入参数及对应CO2转化率(χCO2,%)与能量效率(EE, %)的87组文献数据,统一重新计算性能指标完成数据协调(Harmonization);同时在自建DBD装置上开展90组本地实验。输入特征经Min-Max归一化后,采用反向传播(Back Propagation, BP)算法与梯度下降优化的人工神经网络(ANN),激活函数选ReLU,损失函数为均方误差(Mean Squared Error, MSE),超参数由贝叶斯优化(Bayesian Optimization, BO)确定。先分别建立纯文献ANN(Lit_ANN)与纯实验ANN(Exp_ANN)评估域偏移影响,再实施第三阶段:以87条文献数据为基集,通过5折交叉验证,每次迭代向训练集添加5个本地实验样本,对比随机搜索(Random Search, RS)与基于预测方差不确定度的主动学习(Active Learning, AL)两种选点策略,构建文献—实验混合ANN模型,并用决定系数(Coefficient of Determination, R2)、平均绝对误差(Mean Absolute Error, MAE)及均方根误差(Root Mean Square Error, RMSE)评价,辅以主成分分析(Principal Component Analysis, PCA)与皮尔逊相关系数(Pearson Correlation Coefficient, PCC)解析数据集特性。
三、研究结果
3.1. Initial dataset assessment: Literature datasets vs experimental datasets
研究人员通过PCA得分图发现本地实验数据分布与文献数据空间重叠度较高,但各输入参数取值范围仅覆盖文献主范围的14%–35%(如放电气隙仅覆盖14%),证实单一课题组实验存在参数空间局限,而文献数据具更广覆盖但含系统偏差。
3.2. Literature-only & experiment-only model evaluation
Lit_ANN在文献测试集上R2> 0.96表现优良,但在全部本地实验测试集上R2为负值,表明纯文献模型无法准确预测特定本地DBD性能;反之Exp_ANN在本地测试集R2≈1而在文献测试集R2为负,证明纯本地实验模型缺乏跨体系泛化能力,凸显混合训练的必要性。
3.3. Hybrid artificial neural network model
3.3.1. Overall performance with uncertainty
随加入实验点数增加,RS策略使R2单调上升,约45点达较优(平均R2=0.776±0.120);AL初期因优先查询高不确定性样本致R2短暂波动甚至为负,但约50–55点后趋稳且方差缩小,最优平均R2=0.780±0.131,显示AL具更稳健收敛性。
3.3.2. Optimal model with best performance
最佳RS混合模型(87文献+45实验)对预留本地测试集CO2转化率和EE的R2分别达0.956与0.968;AL最佳模型(87文献+55实验)R2分别为0.947与0.955。残差分析显示RS模型存在系统性低估(CO2转化率残差14正/4负),而AL模型残差分布对称(9正/9负及近平衡),给出无偏预测。敏感度分析表明网络层神经元数对性能影响远大于学习率(10?4附近具鲁棒性)。
3.4. Hybrid dataset characterization
PCA载荷分析显示输入参数变异度随添加实验点趋于饱和(RS于45点、AL于55点后稳定)。PCC分析表明流量对CO2转化率影响最大(文献数据|PCC|≈0.684,实验数据≈0.576),文献与实验混合数据集的输入—输出相关性模式独立于纯文献或纯实验子集。
四、讨论与结论翻译
讨论指出:增大放电功率提升CO2转化率但降低EE;增大流量缩短停留时间降转化率却因通量提升增EE;过大放电气隙削弱功率密度且致流注不能完全桥接使转化率下降;较长放电长度略增转化率但介电阻抗引发热损耗。RS凭随机采样偶然早收敛但留偏差,AL虽需略多点但消除预测偏差,更适合作指导实验设计的无偏工具。混合模型通过文献数据提供广域先验、本地数据校正域偏移,实现知识迁移。实验—文献数据比约0.52–0.63时为效益拐点,具体值受文献多样性、域差异及反应复杂度影响。该框架可推广至其他等离子体催化体系。
Conclusion(结论原文翻译):
研究人员开发了一个ML框架,通过整合文献数据与本地实验结果预测等离子体法CO2拆分性能。该ML模型采用典型ANN算法,先在文献数据集上预训练,再通过RS或AL方法以最少本地实验微调,从而对目标体系(即DBD反应器中CO2转化率与能量效率)实现高预测精度(R2> 0.95)。此外,混合方法不仅将计划实验工作量最多减少38%,还量化了添加实验数据量与文献数据量的最优比例(0.52–0.63),以平衡从多样化文献中汲取广泛规律与获取充足特定信息来精确表征目标体系独有操作响应。本研究为促进资源高效型ML实施提供了新见解,强调了该方法在优化如等离子体法气体转化等复杂反应体系中的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号