摘要
离子液体(ILs)的合理设计一直是CO2从废气中分离的关键,而离子液体的设计高度依赖于所用模型的准确性。福州大学邱挺教授课题组建立了一种基于机器学习的支持向量机(SVM)模型,以提高ILs熔点的预测精度和预测范围。关于IL熔点数据,使用了600个训练数据和168个测试数据,SVM模型的估计平均绝对相对偏差(AARD)、平方相关系数(R2)分别为3.11%、0.8820(训练集)和5.12%、0.8542(测试集)。然后,通过熔点模型和其他合理的设计过程,包括真实溶剂似导体屏蔽模型(COSMO-RS)的计算和物理性质约束,得到了氰基离子液体,其中四氰硼酸盐[TCB]–常因文献中熔点模型估计不正确而被排除。随后,利用Aspen Plus进行过程模拟,将更优的IL与文献报道的优秀IL进行比较。最后,判断出1-乙基-3-甲基咪唑三氰甲烷化物[EMIM][TCM]是最合适的废气、CO2分离溶剂,与1-乙基-3-甲基咪唑双(三氟甲基磺酰基)酰胺[EMIM][Tf2N]相比,其年化总成本节省12.9%。
引言
随着工业的发展和人类活动的加剧,二氧化碳作为温室气体之一,逐年迅速增加。大量的二氧化碳排放主要来自于燃烧化石能源发电。根据国际能源机构发布的《2018年全球能源和二氧化碳状况报告》,燃煤发电的碳排放占能源碳排放的30%。因此,开发一种高效的废气、CO2分离方法势在必行。
目前,机器学习已被广泛应用于ILs的热力学和物化性质的预测,包括溶解度、密度、粘度、表面张力、热容等。作为机器学习方法之一的支持向量机,由于能够有效地学习和处理复杂问题,已成功地用于预测ILs的性质。Paduszynski等利用最小二乘支持向量机(least-squares support vector machine, LSSVM)和GC建立了由22268个数据点组成的2068个不同ILs的大数据集,R2为0.9172。Song等人对CO2在10116种离子液体中的溶解度建立了SVM-GC模型,R2高为0.9783。这些实例表明,支持向量机与GC模型可以很好地处理对IL熔点估计的非线性回归。
福州大学邱挺教授课题组为了提高IL熔点的预测精度和范围,建立了支持向量机模型。然后,基于COSMO-RS计算和物性约束条件,对废气中CO2的分离进行了优化选择。最后,通过工艺模拟对候选品和已报道的ILs进行工艺性能和经济分析,以获得更佳产品。
图8 CO2的回收率和纯度分别随IL的质量流量和FLASH1的压力而变化(a)-(b) [EMIM][TCB],(c)-(d) [EMIM][TCM]和(e)-(f) [EMIM][Tf2N]。
结论
福州大学邱挺教授课题组建立了基于SVM和GC的离子液体熔点预测模型。SVM模型包含29个阳离子基团、39个阴离子基团和31个取代基,共包含768个实验数据,结果表明验证是可靠的。通过对离子液体的吸附、选择性和解吸性能的评价,以及对其粘度和熔点的限制等方面的系统研究,发现氰基离子液体是分离CO2/N2混合气体的理想溶剂,其中阴离子[TCB]–通常由于对模型的错误估计而被排除在外。最后,通过Aspen Plus的工艺模拟,[EMIM] [TCM]为更佳IL,其TAC比[EMIM][t2n]节约12.9%。
作者简介
邱挺 教授
北京泰科博思科技有限公司成立于2007年,是国内领先的分子模拟及虚拟仿真综合解决方案提供商。公司业务总部设在北京亚澳经济商圈,在香港设有营运中心。
北京泰科博思科技有限公司拥有一支一流的技术服务团队和资深的专家咨询团队。我们秉承“职业、敬业、担当、拼搏、合作”的企业精神,为广大用户提供多领域国际领先的科研软件产品和全面的技术支撑服务。