基于COSMO屏蔽电荷密度物理信息神经网络预测表面活性剂吸附等温线

推荐 为解决传统吸附等温线模型仅依赖一两个独立变量（如平衡浓度和温度）的局限性，研究人员开发了一种结合COSMO屏蔽电荷密度描述符的物理信息神经网络（PINN）模型。该模型通过整合分子特征、测试条件和固体性质，显著提高了预测精度，验证集准确率达85%，为化学增强采油和环境修复中的表面活性剂优化提供了新工具。

　　

论文解读
表面活性剂因其独特的双亲性结构，在清洁、环境修复及化学增强采油（EOR）等领域至关重要。然而，其在固相介质上的吸附损失问题限制了应用效果。传统吸附模型多依赖一两个变量，难以全面反映分子特性与实验条件的综合影响。为此，泰国朱拉隆功大学的研究团队提出了一种创新方法——将COSMO屏蔽电荷密度描述符与物理信息神经网络（PINN）结合，构建了能同时考虑分子结构、测试条件及固体性质的吸附预测模型。

研究团队收集了56组吸附等温线数据，涵盖20种阴离子和非离子表面活性剂在砂和二氧化硅表面的吸附行为，并引入分子计数、电荷分布及COSMO屏蔽电荷密度等多维度描述符。通过递归特征消除（RFE）筛选出关键特征后，利用TensorFlow和Keras搭建PINN模型，将Langmuir方程嵌入神经网络架构，以均方根误差（RMSE）为损失函数进行训练。结果显示，训练集和验证集的平均R2分别达93%和84%，RMSE分别为0.28和0.40 mg/g，表明模型具有高一致性。

在模型评估中，PINN展现出对常见结构的表面活性剂（如SDBS）的高精度预测（RMSE=0.07 mg/g），但对全新结构的预测仍存在挑战（RMSE=2.95 mg/g）。进一步分析表明，吸附过程主要受氢键供体/受体及疏水性影响，且分子体积和尾部疏水性是关键预测因子。SHAP分析验证了这些特征的重要性，并揭示了模型对温度变化的敏感性符合热力学规律。

该研究通过将量子化学计算与深度学习结合，显著提升了吸附预测的准确性和可解释性。其意义在于：一方面，为优化表面活性剂配方以减少吸附损失提供了科学依据；另一方面，拓展了COSMO模型在材料科学中的应用边界。未来工作需进一步扩展数据库并验证极端条件下的模型稳定性。

研究方法的核心包括：

1. 数据收集与预处理：整合多源实验数据，涵盖表面活性剂类型、测试条件及固体性质，并处理缺失值。
2. 分子描述符生成：通过分子计数、电荷分布计算及COSMO模拟获取多维度特征。
3. 模型构建与训练：采用PINN架构，将Langmuir方程嵌入神经网络，结合RFE筛选特征并优化超参数。

研究结果揭示了表面活性剂吸附的关键影响因素，并证明了COSMO屏蔽电荷密度在分子表征中的优势。其结论为高效表面活性剂的开发提供了理论支持，具有显著的工程应用价值。