CM: 机器学习+自然语言处理总结面向数据的通用实验设计方法

碳功能材料（CFM，如生物炭和水炭），可以从数百种生物质前体（从城市污泥到农业废物）中获得。它们可以通过在特定条件（如温度、时间和化学浓度）下调整的数十种合成方法和合成后处理步骤来生产。

在此，美国佛罗里达大学Andreia F. Faria及巴西能源和材料研究中心Amauri J. Paula等人为了实现具有高维参数空间（例如CFM）的系统的“合理设计”平台，使用自动阅读-解释-提取计算程序（命名为a.RIX引擎）处理了10975篇与该主题相关的科学论文（2000~2020年）。通过自动识别100多种前体，作者发现其中小麦秸秆、稻壳和稻秆是研究最多的，用于合成CFM然后用于农业（如作为一种修正剂）或者作为燃料及吸附剂等。

此外，与CFMs合成条件相关的参数（如碳化温度和时间）及与CFMs性能相关的参数（如表面积和重金属吸附能力）也可以从文章中提取。CFM前体与合成条件之间的相关性表明，用于从不同前体合成CFM的碳化温度和时间之间的统计差异非常小。

图1. 用于CFM合成的生物质前体及CFM主要应用

当仅对热解（生物炭）产生的CFM进行分析时，作者观察到花生壳可以产生比其他前体具有更高表面积的材料（P < 0.05）。在进行生物炭合成条件与其性质之间的关联时，可以确认总体趋势：

（i）碳化温度越高，H/C和O/C比越低，

（ii）表面积的增加可以通过保持高芳香度（低H/C比）和低氧化水平（低O/C比）来实现。研究表明，通过使用“热解”→“活化”→“干燥”→“灰化”→“洗涤”→“过滤”等实验路线，可以将花生壳等前体转化为高度多孔的生物炭。

通过这种方法，作者发现对于具有巨大参数空间的材料的科学论文的非计算性综述在很大程度上是过时的。总之，这些结果为生物质基CFM的面向数据的实验设计提供了一个强大的平台。

图2. 实验路径与CFM属性之间的关联作用

Machine Learning and Natural Language Processing Enable a Data-Oriented Experimental Design Approach for Producing Biochar and Hydrochar from Biomass, Chemistry of Materials 2022. DOI: 10.1021/acs.chemmater.1c02961

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/77553c26bc/

CM: 机器学习+自然语言处理总结面向数据的通用实验设计方法

相关推荐

发表回复