CO2吸着性能予測と吸着剤分類のためのXGBoostフレームワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper demonstrates a practical application of XGBoost to carbon capture material screening, offering a reproducible methodology for further research.

🏢実務担当者:Engineers can use this framework to quickly evaluate adsorbent candidates and optimize capture process parameters, reducing experimental effort.

🏛政策担当者:This tool can inform technology deployment decisions for CCUS infrastructure by providing rapid performance estimates.

多孔質材料を用いた吸着による二酸化炭素（CO2）回収は、産業由来の温室効果ガス排出を緩和する有望な戦略として浮上している。しかし、実験研究のみに依存する場合、変動する運転条件下で最適な吸着材を選定することは、複雑かつ時間のかかるプロセスのままである。本プロジェクトでは、機械学習ベースのフレームワークを開発し、プロセスおよび材料パラメータを用いてCO2吸着容量を予測し、最も適切な吸着材を特定する。活性炭、ゼオライト、金属有機構造体（MOF）、多孔性有機ポリマー（POP）、アルミナ/シリカ、およびアミン官能化吸着剤を含む複数クラスの吸着材からなる包括的なデータセットを構築した。データセットには、温度、圧力、CO2モル分率、湿度、BET表面積、細孔特性、アミン担持量、吸着熱、粒子密度、ペレット直径、および充填層空隙率などの主要パラメータが含まれる。XGBoostアルゴリズムに基づく2つの機械学習モデルを実装した。XGBoost Regressorを用いて実験的なCO2吸着容量を予測し、XGBoost Classifierを入力パラメータに基づいて使用された吸着材の種類を特定するよう訓練した。モデルは、信頼性の高い性能評価を確保するため、トレイン・テスト分割アプローチを用いて訓練および検証を行った。結果は、勾配ブースティングモデルが吸着条件、材料特性、および吸着性能の間の複雑な非線形関係を正確に捉えられることを実証している。開発されたフレームワークは、研究者や技術者が吸着材のスクリーニングと産業用途向けCO2回収システムの最適化を支援できる、高速かつ効率的な予測ツールを提供する。このモデルを用いることで、訓練データセット内の任意の吸着材の吸着容量を予測し、その種類を95%の精度で予測することができる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Carbon dioxide (CO2) capture through adsorption using porous materials has emerged as a promising strategy for mitigating industrial greenhouse gas emissions. However, selecting an optimal adsorbent material under varying operating conditions remains a complex and time-consuming process when relying solely on experimental studies. In this project, a machine-learning-based framework is developed to predict CO2 adsorption capacity and identify the most suitable adsorbent material using process and material parameters. A comprehensive dataset was constructed comprising multiple classes of adsorbent materials including activated carbon, zeolites, metal–organic frameworks (MOFs), porous organic polymers (POPs), alumina/silica, and amine-functionalized sorbents. The dataset includes key parameters such as temperature, pressure, CO2 mole fraction, humidity, BET surface area, micropore characteristics, amine loading, heat of adsorption, particle density, pellet diameter, and bed void fraction. Two machine learning models based on the XGBoost algorithm were implemented. An XGBoost Regressor was used to predict the experimental CO2 adsorption capacity, while an XGBoost Classifier was trained to identify the type of adsorbent used based on the input parameters. The models were trained and validated using a train–test split approach to ensure reliable performance evaluation. The results demonstrate that gradient boosting models can accurately capture complex nonlinear relationships between adsorption conditions, material properties, and adsorption performance. The developed framework provides a fast and efficient predictive tool that can assist researchers and engineers in screening adsorbent materials and optimizing CO2 capture systems for industrial applications. Using this model, one can predict the adsorption capacity of any adsorbent used in the training dataset and predict its type with 95% accuracy.

• semanticscholar https://www.mdpi.com/2227-9717/14/13/2081/pdf?version=1782461019first seen 2026-07-02 06:10:44 · last seen 2026-09-22 05:05:44