应用不同机器学习算法预测化学链中氧载体性能

低成本和高性能的氧载体材料筛选是化学链技术未来商业应用的关键。超过1000 种材料被作为氧载体在化学链条件下进行测试。其中，矿石和工业副产品作为氧载体最近引起了极大的兴趣，因为它们成本低、供应方便，特别是与固体燃料具有充分的反应性。然而，这些材料具有高度可变的成分，这强烈地影响了它们在化学链中的性能。采用实验方法逐个测试成本巨大。本文运用新兴的机器学习算法，以天然锰矿为对象，将已有的实验数据作为训练集，去预测含锰矿物在化学链反应中的性能，并对比支持向量机和人工神经网络两种算法在预测过程中的表现。其结果显示这两种算法对训练集内的数据均有较好准确性，但在对新输入值预测的准确性、鲁棒性方面存在差异。支持向量机可以避免神经网络在小样本训练集下，存在的过度拟合现象。另外，灵敏度分析表明氧载体锰含量变化对反应特性的影响较大，而比表面积的影响较小。本文的工作可为氧载体材料的选择、设计和优化提供参考。

阎永亮（1992-），男，河北，博士研究生，主要研究方向为碳捕集，富氧燃烧，化学链，以及人工智能在能源化工领域的应用。