پیش بینی ذخیره سازی گاز گلخانه ای متان در چارچوب های آلی- فلزی با استفاده از روش های هوش مصنوعی

چارچوبهای آلی- فلزی (MOF) دسته ای از مواد کریستالی متخلخل هستند که به دلیل دارا بودن خواصی مانند پایداری حرارتی،ساختار کریستالی منحصر بفرد و سطح ویژه بالا به طور گسترده ای در جذب و جداسازی انواع گازها مورد استفاده قرار می گیرند.با این حال بررسی عملکرد تعداد زیاد این جاذب ها در مقیاس آزمایشگاهی فرآیندی زمانبر و پرهزینه است. در این مطالعه، از ۶الگوریتم یادگیری ماشین که از روشهای یادگیری گروهی محسوب میشوند، استفاده شده تا ظرفیت جذب متان در بیش از ۴هزار MOF تجربی در شرایط مختلف ترمودینامیکی مورد بررسی قرار گیرد. نتایج بدست آمده نشان میدهد که مدل BaggingRegressor با مقدار R(۲)=۰.۹۷۰ و RMSE=۴.۶۹ در مقایسه با مدلهای قدیمی مبتنی بر درخت تصمیم، از بالاترین دقت برخوردار است.