基于机器学习的预测：硅胶对蒸汽甲烷重整尾气吸附能力的分析

《Sustainable Energy & Fuels》：Machine learning prediction on adsorption capacities of steam methane reforming off-gas in silica gels

本研究采用机器学习模型预测蒸汽重整气中硅胶吸附容量，比较了决策树、随机森林、XGBoost、支持向量机及深度神经网络。通过Optuna优化超参数并交叉验证，发现深度神经网络表现最优（R2=0.999）。结合三种Langmuir模型验证，证实其能有效替代传统静态实验，降低成本并提升效率。

　　

变压吸附（PSA）被广泛用于从蒸汽甲烷重整（SMR）尾气中纯化氢气，但其设计和优化需要大量的平衡吸附数据。这些数据通常通过静态实验获得，而静态实验往往成本高昂、耗时且效率低下。本研究提出了一种基于机器学习的方法，用于预测两种类型硅胶（SG1和SG2）对SMR过程中关键气体成分（CO?、CH?、CO和H?）的吸附能力，旨在显著降低实验成本并提高数据采集效率。研究了五种常用的机器学习模型，包括决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）和深度神经网络（DNN）。为了提高模型性能，使用Optuna框架结合五折交叉验证对超参数进行了优化。所有五种模型都展示了出色的预测准确性，决定系数（R2）超过了0.99。其中，DNN模型的表现最佳，R2值为0.999。为了验证模型预测结果，采用了三种温度依赖的吸附等温模型（单点Langmuir、单点Langmuir–Freundlich和双点Langmuir）来拟合实验数据。双点Langmuir模型对CO?和CH?的拟合效果最好，而单点Langmuir–Freundlich模型最适合CO和H?。DNN模型预测的吸附能力与最佳等温模型的结果高度一致。此外，DNN模型还被用来预测在扩展温度和压力条件下的CO?吸附能力。DNN模型的预测结果与双点Langmuir模型的结果非常接近，并且与实验测量结果一致。这些结果表明，DNN方法可以有效地替代传统的静态实验，以准确高效地生成平衡吸附数据。