CN119442834A 一种基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方法 （青岛科技大学）

一种基于机器学习模型的二氧化碳在低共一种基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方法，该方法通过收集CO2溶解度数据，并利用开源化学信息学软件包RDKit对低共熔溶剂分子结构进行编码和特征描述符转过网格搜索与k折交叉验证优化超参数。模型训21.一种基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方法，其特征在于，20%;2.根据权利要求1所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方3.根据权利要求2所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方选择开源化学信息学软件包RDKit作为获取低共熔溶剂结构编码的工具；R将低共熔溶剂的分子结构作为输入；这些分子结构可以通过各种化学将生成的结构编码进一步转化为特征描述符；这一步是将复杂的分对生成的特征描述符进行标准化和归一化处理，以确保不同特征之间4.根据权利要求1所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方XGBoost算法采用极致梯度提升树方法，通过集成多个CART回归树来增强分类能力；3随机森林RF算法通过将多个决策树融合，实现分类与回归功深度神经网络DNN算法通过多层神经网络结构，处理复杂的非线性关卷积神经网络CNN算法通过卷积层和池化层提取图像或数据中5.根据权利要求4所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方采用网格搜索方法结合k折交叉验证对模型进行超参数进行优化：其中网格搜索方法6.根据权利要求4所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方模型能够准确预测CO2在低共熔溶剂中的7.根据权利要求6所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方使用训练子集数据对模型进行训练；在训练过程中，模型会8.根据权利要求6所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方使用训练好的模型对测试集数据进行预测，并计算预测值与真实值之49.根据权利要求8所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测方10.根据权利要求9所述的基于机器学习模型的二氧化碳在低共熔溶剂中溶解度预测利用训练好的最优模型CNN预测不同条件下C根据实际需要预测的条件，收集或生成相应的输入数据；这些加载已经训练好的最优CNN模型，将准备好的输入数据输入5通过实验手段逐一测定CO2在不同低共熔溶剂中的溶解度存在一系列繁琐的问题，包括复[0004]机器学习作为人工智能的重要分支，近年来在化学性质预测领域展现出巨大潜[0005]现有技术中往往采用单一模型而未通过比较不同模型在预测CO2在低共熔溶剂中线性关系。通过尝试多种模型，可以找到在预测CO2溶解度这一特定任务上表现最优的模的影响。采用多种机器学习模型可以更全面地适应不同类型的低共熔溶剂及其与CO2的相建多棵决策树来实现分类或回归任务，擅长处理具有交互作用的数据；而深度神经网络6据的20%;[0026]对生成的特征描述符进行标准化和归一化处理，以确保不同特征之间具有可比[0028]XGBoost算法采用极致梯度提升树方法，通过集成多个CART回归树来增强分类能7[0033]采用网格搜索方法结合k折交叉验证对模型进行超参数进行优化：其中网格搜索[0041]使用训练好的模型对测试集数据进行预测，并计算预测值与8[0053]利用训练好的最优模型CNN预测不同条件下CO2在低共熔溶剂中溶解度的详细步剂的结构编码SC、二氧化碳分压PCO2和反应温度T；结构编码需要利用化学信息学软件包RDKit将低共熔溶剂的分子结构转化为数值形式；确保输入数据的格式与训练模型时使用[0059]加载已经训练好的最优CNN模型，将准备好的输入数据输入到加[0063]本发明准确地描述低共熔溶剂分子的结构特征，通过机器学习算法预测CO2在不同条件下的溶解度，相比传统通过实验逐一测定，显著提高了预测效率和准确性，通过XGBoost、RF、CNN等模型，测试集上的R2值均达到0.950以上，其中CNN模型更是达到了[0066]本发明能够快速预测不同条件下CO2在低共熔溶剂中的溶解度，为优良低共熔溶9据的20%;[0097]对生成的特征描述符进行标准化和归一化处理，以确保不同特征之间具有可比[0098]所述步骤S3包括采用四种机器学习算法来构建模型的步骤S31，其中四种机器学[0099]XGBoost算法采用极致梯度提升树方法，通过集成多个CART回归树来增强分类能[0104]采用网格搜索方法结合k折交叉验证对模型进行超参数进行优化：其中网格搜索[0112]使用训练好的模型对测试集数据进行预测，并计算预测值与[0124]利用训练好的最优模型CNN预测不同条件下CO2在低共熔溶剂中溶解度的详细步RDKit将低共熔溶剂的分子结构转化为数值形式；确保输入数据的格式与训练模型时使用[0130]加载已经训练好的最优CNN模型，将准备好的输入数据输入到加[0135]本研究共收集了362个CO2溶解度数据点，其二氧化碳溶解度范围为0.0014一0.0326(总共13种低共熔溶剂)，温度范围为293.15至323.15K，压力范围为0.515至不是从全部的特征中选取。这一双随机保证了每个决策树在随机森林中都有其独特之处，增加，RF的预测精度也会逐渐提升,但是过多的决策树也会给模型的训练和计算速度带来[0149]在RF中，那些未被纳入自助采样集的数据被赋予了特殊的名称——“袋外数据的神经元数量可以视具体任务和数据类型而定。DNN的训练过程通常采用反向传播算法和数量和层级可以根据特定任务的需求以及输入数据的特性进行灵活调整。在层与层之间，出层负责将神经网络经过多层处理后的结果转化为人类可读的隐含层中的卷积核参数共享和层间连接的稀疏性特点，使得CNN能够以较小的计算成本高[0168]采用XGBoost、RF、CNN和DNN模型预测二氧化碳在低共熔溶剂中的溶解度，并以