Modelado de la capacidad de separación de CO2 de poli(4

Scientific Reports volumen 13, Número de artículo: 8812 (2023) Citar este artículo

152 Accesos

Detalles de métricas

Las membranas son una tecnología potencial para reducir el consumo de energía, así como los desafíos ambientales considerando los procesos de separación. Una nueva clase de esta tecnología, a saber, la membrana de matriz mixta (MMM), se puede fabricar dispersando sustancias sólidas en un medio polimérico. De esta forma, los MMM basados ​​en poli(4-metil-1-penteno) han llamado mucho la atención para capturar dióxido de carbono (CO2), que es un contaminante ambiental con efecto invernadero. La permeabilidad al CO2 en diferentes MMM constituidos por poli(4-metil-1-penteno) (PMP) y nanopartículas se analizó exhaustivamente desde el punto de vista experimental. Además, es necesario un modelo matemático sencillo para calcular la permeabilidad al CO2 antes de construir el proceso de separación basado en PMP relacionado. Por lo tanto, el estudio actual emplea redes neuronales artificiales de perceptrón multicapa (MLP-ANN) para relacionar la permeabilidad al CO2 en PMP/MMM de nanopartículas con la composición de la membrana (tipo y dosis de aditivo) y la presión. En consecuencia, el efecto de estas variables independientes sobre la permeabilidad al CO2 en membranas basadas en PMP se explora mediante un análisis de regresión lineal múltiple. Se descubrió que la permeabilidad al CO2 tiene una relación directa con todas las variables independientes, mientras que la dosis de nanopartículas es la más fuerte. Las características estructurales de MLP-ANN han demostrado de manera eficiente un potencial atractivo para lograr la predicción más precisa de la permeabilidad al CO2. Una MLP-ANN de dos capas con la topología 3-8-1 entrenada por el algoritmo de regulación bayesiano se identifica como el mejor modelo para el problema considerado. Este modelo simula 112 permeabilidades de CO2 medidas experimentalmente en PMP/ZnO, PMP/Al2O3, PMP/TiO2 y PMP/TiO2-NT con una excelente desviación relativa media absoluta (AARD) inferior al 5,5 %, un error absoluto medio (MAE) de 6,87 y coeficiente de correlación (R) superior a 0,99470. Se encontró que la membrana de matriz mixta constituida por PMP y TiO2-NT (nanotubo funcionalizado con dióxido de titanio) es el mejor medio para la separación de CO2.

Recientemente, la captura y secuestro de CO2 (dióxido de carbono)1,2 como una herramienta práctica contra el calentamiento global y el cambio climático han recibido un gran interés. Según la literatura, la concentración de CO2 en la atmósfera desde la era preindustrial hasta ahora ha aumentado dramáticamente de 280 a 420 ppm, mientras que su valor máximo permisible es de 350 ppm3,4. Por otro lado, se ha estimado que la concentración de CO2 en la atmósfera alcanzará las 570 ppm para el actual nivel creciente a fines del siglo XXI5. En este sentido, se establecen varios acuerdos para reducir las emisiones de CO2 en 2050 centrándose en el despliegue de estrategias de captura y almacenamiento de carbono (CCS)6. Para ello se han propuesto diferentes tecnologías, como la absorción7, la adsorción8,9, la criogénica10 y las membranas11. Sin embargo, la absorción como la tecnología más madura tiene algunos inconvenientes serios, que incluyen la corrosión de los equipos12, los efectos secundarios ambientales13 y el costo14. La criogénica como otra tecnología madura consume mucha energía15. Además, la introducción de un adsorbente estable en agua con alta selectividad y capacidad de carga, así como un calor de adsorción adecuado y un costo razonable para la aplicación a gran escala sigue siendo un desafío serio7,16,17. Por lo tanto, la tecnología de membranas en cuanto a ser amigable con el medio ambiente, eficiente, flexible, económica, madura y simple, se considera una de las estrategias interesantes para la separación de gases18 y el monitoreo de la contaminación19. La captura y el secuestro de CO2 no solo son cruciales para las aplicaciones posteriores a la combustión relacionadas con los gases de combustión para la separación de CO2/N2, sino que también son necesarios para los procesos de precombustión para desarrollar fuentes de energía renovables, incluida la mejora del biogás20 y el endulzamiento del gas natural para la separación de CO2/CH421 . El dióxido de carbono recuperado también se puede utilizar como materia prima para sintetizar productos químicos de valor añadido22.

Rutinariamente, las membranas se desarrollan de forma natural o sintética23, y esta última se clasifica en orgánica e inorgánica24. Para mejorar el rendimiento de separación de gases de las membranas convencionales, la atención se concentra en los medios poliméricos25. Con este fin, se emplean diferentes polímeros, incluidos siloxanos26, poliacetilenos27, poliimidas28, polisulfona29 y polímeros básicos de silicio30 para diferentes propósitos de separación. Sin embargo, las membranas poliméricas todavía tienen algunas preocupaciones relacionadas con su permeabilidad31, selectividad32 y estabilidad a altas presiones33. En consecuencia, las membranas de nanocompuestos se fabrican mediante la adición de almidón34, cerámica35, armazón organometálico36, nanotubos de carbono37 y nanopartículas38,39,40 al cuerpo de la membrana.

Por estos motivos, Ahn et al. agregó nanomuestras de sílice como relleno a la membrana de polisulfona para mejorar el rendimiento de la membrana de matriz mixta desarrollada41. Informaron que la inclusión de muestras de nanosílice en la estructura del polímero mejora la permeabilidad. Además, Pechaf et al. aplicó membrana de poliimida y zeolita como MMM y evaluó la permeabilidad de He, CH4, CO2, N2 y O242. Afirmaron que la membrana fabricada aumenta la permeabilidad de CO2 y CH4, mientras que se observó cierta reducción de la permeabilidad de N2 y O2. Además, Ismail et al. sintetizó una membrana de matriz mixta usando poli-éter-sulfona y Matrimid 5218 empleando Zeolite 4A43. El estudio mostró que agregar la zeolita puede mejorar la permeabilidad de la membrana.

Recientemente, los modelos de aprendizaje automático (ML) debido a su flexibilidad, robustez, precisión y adaptabilidad han recibido un interés significativo en una amplia gama de aplicaciones desde la ingeniería hasta la medicina44,45,46,47. El diseño de patrones, el reconocimiento de modelos, la detección de fallas, la minería de datos y la estimación de funciones son algunas de las principales aplicaciones de ML48,49. Recientemente, la red neuronal artificial (ANN)50, el sistema de inferencia neurodifuso adaptativo (ANFIS)51, la máquina de vectores de soporte (SVM)52 y la programación genética (GP)53 se han utilizado en el campo de la tecnología de membranas. Por estos motivos, Rezakazemi et al. emplearon el modelo ANFIS para la separación molecular en membranas microporosas54. En otro estudio, Vural et al. empleó la topología ANFIS para estimar el rendimiento de una celda de combustible de membrana de intercambio de protones55. Además, Zhao et al. empleó el paradigma ANN para predecir las interacciones interfaciales y el ensuciamiento en un biorreactor de membrana56. Declararon que la función de base radial tiene una excelente capacidad para predecir interacciones interfaciales. Además, Gasós et al. confiaron en las redes neuronales artificiales para crear los mapas de la tecnología de separación de CO2 basada en membranas18. Además, Kazemian et al. empleó los beneficios de SVM y la metodología del algoritmo genético (GA) para desarrollar un algoritmo para las hélices de membrana en secuencias de aminoácidos57.

A pesar de realizar muchos experimentos para medir la permeabilidad al CO2 en poli(4-metil-1-pentano) puro (PMP) y membranas mixtas que contienen PMP, no se ha sugerido ninguna correlación en este campo. Dado que la permeabilidad es un factor crucial en la separación eficiente de CO2 por las membranas basadas en PMP, también se requiere un modelo confiable para su estimación. Por lo tanto, este estudio aplica el MLP-ANN para correlacionar la permeabilidad al CO2 en membranas de matriz mixta pura de PMP y PMP/nanopartículas con el tipo de relleno, la dosis de nanopartículas y la presión. Además, el análisis de relevancia realizado por el MLR (es decir, regresión lineal múltiple) aclara el efecto de estas variables en el nivel potencial de permeabilidad al CO2. Según el conocimiento de los autores, este es el primer intento de predecir la permeabilidad al CO2 en membranas que contienen PMP a partir de algunos parámetros fáciles y siempre disponibles. Además, el MLP-ANN diseñado puede ayudar a los ingenieros a fabricar una membrana basada en PMP y ajustar la presión de trabajo para lograr la máxima separación de CO2 en diversas industrias, incluido el procesamiento de gas, el petróleo, la petroquímica y la mejora del biogás.

Como ya se discutió, la permeabilidad es una de las especificaciones clave de la tecnología de membranas para la separación de gases, que a menudo se mide experimentalmente. Por otro lado, varios otros estudios han investigado el impacto del empleo de diferentes nanopartículas para mejorar el rendimiento de las membranas polimétricas con este fin. En consecuencia, este estudio ha desarrollado una topología teórica robusta para estimar la permeabilidad al CO2 en las membranas de matriz mixta pura de PMP y PMP/nanopartículas, que según el conocimiento de los autores es la primera en esta área. De esta forma, los tipos de nanopartículas, su porcentaje en peso (wt%) en la membrana fabricada y la presión de operación son las variables independientes para estimar la permeabilidad al CO2 en una membrana específica. La Tabla 1 presenta las principales características estadísticas de los datos experimentales recopilados de la literatura58,59,60,61.

Cabe destacar que la literatura ha agregado hasta un 40 % en peso de cuatro nanopartículas (es decir, TiO2, ZnO, Al2O3 y TiO2-NT) a la estructura de PMP para fabricar diferentes membranas de matriz mixta. Además, se han realizado 112 pruebas de permeabilidad al CO2 en un rango de presión de 2 a 25 bar. La permeabilidad al CO2 de 18,01-570,90 barrer se informó en la literatura para las membranas de matriz mixta de PMP puro y PMP/ZnO, PMP/Al2O3, PMP/TiO2 y PMP/TiO2-NT58,59,60,61.

Dado que este estudio incluye variables independientes cualitativas (tipo aditivo) y cuantitativas (dosis y presión de nanopartículas), también es necesario representar cuantitativamente las primeras. En la tabla 2 se presentan los códigos numéricos utilizados al respecto.

Los histogramas de todas las variables independientes (tipo de aditivo, dosis de nanopartículas y presión) y dependientes (permeabilidad al CO2) se muestran en la figura 1.

Histograma de las variables involucradas (tipo de aditivo, dosis de nanopartículas y presión) en el modelado de la permeabilidad al CO2 en membranas de nanopartículas PMP58,59,60,61.

Las redes neuronales artificiales (ANNs) como un enfoque computacional de inspiración biológica es una topología no lineal, que tiene una alta capacidad para el procesamiento de datos en el área de la ingeniería62. En realidad, las RNA son un conjunto reducido de conceptos derivados de sistemas neuronales biológicos basados ​​en la simulación del procesamiento de datos del cerebro humano y del sistema nervioso63. Las ANN ya han demostrado un potencial sólido para el análisis estadístico en el área sin una amplia gama de valores experimentales con respecto a su flexibilidad y capacidad62,63. En la forma de derivar un paradigma ANN, se requiere especificar las principales variables independientes que afectan el resultado del proceso. Cabe señalar que las ANN tienen el potencial de correlacionar las variables dependientes con las independientes con cualquier grado de complejidad64. Para ello, es necesario proporcionar un conjunto de datos adecuado para diseñar una caja negra para la estimación de factores dependientes considerando criterios definidos62. En consecuencia, el enfoque obtenido desarrolla una señal entre los factores de entrada y salida, que especifica los detalles en diferentes capas relacionadas con las interacciones de las neuronas.

Hasta la fecha, se han desarrollado varios enfoques ANN, incluido el perceptrón multicapa (MLP-ANN)65, la función de base radial (RBF-ANN)66, la retroalimentación en cascada (CFF-ANN)67 y la regresión general (GR-ANN)68 , siendo el MLP-ANN el más utilizado. En general, el MLP-ANN es un procedimiento supervisado de aprendizaje en línea que emplea un orden de ajuste parcial junto con pesos sinápticos sintonizables69. Por estos motivos, esta topología se aplicó en este trabajo para estimar la permeabilidad de CH4 y N2 en PMP. Rutinariamente, un MLP-ANN se desarrolla definiendo tres capas principales, incluida la capa de entrada, la capa oculta y la de salida. De esta manera, la capa de entrada se deriva de los valores (de entrada) independientes sin procesar después de algún procesamiento de datos, que ya ha demostrado su alto impacto en el proceso. Luego, el resultado de esta capa se introduce en la capa oculta para emplear el análisis estadístico y el tratamiento matemático de los datos. Posteriormente, los resultados de esta capa se transfieren a la capa de salida que especifica los principales resultados del modelo. Debe considerarse que el principal procesamiento matemático empleado en las neuronas está determinado por la ecuación. (1)70:

aquí \(b\) especifica el sesgo del modelo, que indica los umbrales de activación para los valores de entrada (\(x_{r}\)), y \(\omega_{jr}\) son los coeficientes de peso del modelo. Además, la salida neta de las neuronas (\(O_{j}\)) es recibida por una función de transferencia (\(tf\)) para calcular la salida de la neurona70. En este trabajo, la sigmoidea tangente hiperbólica (Ec. 2) y la sigmoidea logarítmica (Ec. 3), que se encuentran entre las funciones de transferencia más populares, se han incorporado en las capas oculta y de salida, respectivamente63,68:

Las Figuras 2a,b muestran las formas generales de las funciones de transferencia sigmoidea tangente hiperbólica y sigmoidea logarítmica, respectivamente. Esta figura indica que el primero proporciona un valor entre -1 y +1, mientras que el segundo produce un valor que va de 0 a +1.

Las funciones de transferencia hiperbólica tangente sigmoide (a) y logaritmo sigmoide (b).

Con este fin, es necesario normalizar tanto la variable independiente (IV) como la dependiente (DV) en el rango [0 1] usando las Ecs. (4) y (5), respectivamente.

NoD designa el número de conjuntos de datos. X1, X2 y X3 indican el valor normalizado del tipo de aditivo, la dosis de nanopartículas y la presión. Además, Y representa la permeabilidad al CO2 normalizada.

A menudo es obligatorio medir la desviación entre los valores experimentales y predichos de la variable dependiente utilizando criterios estadísticos. Este estudio aplica el coeficiente de correlación (R), el coeficiente de determinación (R2), la suma del error absoluto (SAE), el error absoluto medio (MAE), la desviación relativa media absoluta (AARD) y el error cuadrático medio (MSE). En consecuencia, las ecuaciones. (6) a (11) presentan la fórmula de R, R2, SAE, MAE, AARD y MSE, correspondientemente71.

Las ecuaciones anteriores necesitan variables dependientes experimentales (\(DV^{\exp }\)) y calculadas (\(DV^{cal}\)), así como el valor promedio de \(DV^{\exp }\) . La ecuación (12) calcula este valor promedio, es decir, \(\overline{{DV^{\exp } }}\).

Esta sección presenta los resultados del análisis de relevancia por MLR, desarrollo de MLP-ANN e investigaciones estadísticas y gráficas del modelo propuesto.

Antes de construir el MLP-ANN para estimar la permeabilidad al CO2 en membranas de PMP/nanopartículas, se debe explorar la relevancia entre las variables dependientes y dependientes. El MLR es un método bien conocido en este campo72. La ecuación (13) es un modelo MLR simple que correlaciona la permeabilidad al CO2 normalizada (\(Y^{cal}\)) con los valores normalizados de las variables independientes en base a 112 conjuntos de datos experimentales.

El signo positivo de los coeficientes X1, X2 y X3 sugiere la dependencia directa de la permeabilidad al CO2 de las variables independientes involucradas. Además, la magnitud del coeficiente muestra la fuerza de la relación entre las variables dependientes e independientes. Como ilustra la Fig. 3, la permeabilidad al CO2 en las membranas de nanopartículas/PMP tiene la dependencia más fuerte de la dosis de nanopartículas y la dependencia más débil del tipo de aditivo.

Relevancia entre la permeabilidad al CO2 en MMM y el tipo de aditivo, la dosis de nanopartículas y la presión.

La barrera observada AARD = 88,24%, R2 = 0,40145 y SAE = 7634,84 entre las permeabilidades experimentales de CO2 y las predicciones de MLR muestran que el problema considerado se rige principalmente por un modelo no lineal.

La precisión de los índices se calcula después de desnormalizar la predicción de MLR para la permeabilidad de CO2 normalizada utilizando la ecuación. (14).

La topología general de la MLP-ANN para relacionar la permeabilidad al CO2 en MMM de PMP/nanopartículas se muestra en la Fig. 4.

La estructura MLP-ANN para simular la permeabilidad al CO2 en MMM de PMP/nanopartículas.

Esta etapa construye 90 enfoques MLP-ANN con diferentes números de neuronas ocultas. De hecho, estos modelos MLP-ANN pueden tener de una a nueve neuronas en sus capas ocultas. Además, el MLP-ANN con un número específico de neuronas ocultas se entrena y prueba 10 veces diferentes.

La Figura 5 muestra los resultados de clasificar los 90 modelos MLP-ANN construidos. En general, la precisión de MLP-ANN aumenta (disminuye el rango) al aumentar el número de neuronas ocultas. Esta observación está relacionada con el tamaño creciente de MLP-ANN, así como con el número de sus pesos y sesgos. La figura indica que el MLP-ANN desarrollado en segundo lugar con ocho neuronas ocultas (rango = 1) es el mejor modelo para estimar la permeabilidad al CO2 en PMP/MMM de nanopartículas. Además, el MLP-ANN construido en el noveno lugar con solo una capa oculta es el modelo preciso más bajo (rango = 90) para la tarea considerada.

Clasificación general de las 90 MLP-ANN construidas con 1 a 9 neuronas ocultas (10 modelos por cada neurona oculta).

Se aplica la mejor MLP-ANN para realizar todos los análisis posteriores y se ignoran los 89 modelos restantes.

La Figura 6 presenta la forma general del enfoque MLP-ANN construido para estimar la permeabilidad al CO2 en MMM. Se puede ver que el MLP-ANN tiene solo una capa oculta con ocho neuronas, es decir, topología 3-8-1. Las funciones de transferencia sigmoidea tangente hiperbólica y sigmoidea logarítmica también se pueden ver en las capas ocultas y de salida. Cabe señalar que la fase de modelado de la permeabilidad al CO2 tanto en membranas de PMP como de PMP/nanopartículas se realiza en el entorno MATLAB (Versión: 2019a)73.

Topología del mejor MLP-ANN73 para predecir la permeabilidad al CO2 en membranas de PMP/nanopartículas.

La Tabla 3 informa la precisión lograda de la MLP-ANN propuesta en las etapas de entrenamiento y prueba. Esta tabla también muestra la precisión del modelo MLP-ANN creado para predecir la permeabilidad al CO2 de los conjuntos de datos generales. Se han utilizado cinco criterios estadísticos (es decir, R, MAE, AARD, MSE y SAE) a este respecto. Todas estas precisiones son lo suficientemente aceptables desde el punto de vista del modelado.

El gráfico cruzado que inspecciona gráficamente la correlación lineal entre los valores experimentales y predichos de una variable dependiente es un método práctico para evaluar la confiabilidad de los modelos basados ​​en datos. Las Figuras 7a–c ilustran la correlación lineal entre las permeabilidades de CO2 experimentales y sus valores calculados asociados mediante el enfoque MLP-ANN. Dado que tanto los conjuntos de datos de entrenamiento como los de prueba se ubican principalmente alrededor de las líneas diagonales, la inspección visual aprueba la confiabilidad de MLP-ANN. Además, la cercanía de los coeficientes de correlación del entrenamiento, las pruebas y todos los conjuntos de datos a R ~ 1 (es decir, 0,99658, 0,98433 y 0,99477) es otra indicación del modelo MLP-ANN.

Correlaciones lineales entre la permeabilidad al CO2 experimental y calculada en MMM; entrenamiento (a), prueba (b) y base de datos general (c).

Las permeabilidades de CO2 reales y predichas en las membranas de PMP puras y los MMM de PMP/nanopartículas en el entrenamiento, así como las etapas de prueba, se muestran en la Fig. 8. Este análisis justifica el rendimiento sobresaliente de MLP-ANN para modelar conjuntos de datos de entrenamiento y prueba. . Además, la precisión de MLP-ANN para predecir el entrenamiento (MAE = 5,28, AARD = 5,20 %, MSE = 100,54 y SAE = 501,84) y el grupo de prueba (MAE = 15,76, AARD = 6,88 %, MSE = 444,52 y SAE = 267,84) es aprobado por la investigación estadística. Además, los valores globales de MAE, AARD, MSE y SAE son 6,87, 5,46%, 152,75 y 769,68, respectivamente.

Compatibilidad entre permeabilidad al CO2 experimental y calculada en MMM.

La figura 9 explica el efecto de la concentración de alúmina sobre la permeabilidad al CO2 en la membrana PMP/Al2O3 desde el punto de vista del modelado y experimental. La concordancia sobresaliente entre las permeabilidades de CO2 reales y estimadas en los MMM de PMP/Al2O3 se puede encontrar fácilmente en esta figura. El MLP-ANN también aprende con precisión el efecto creciente de la dosis de relleno en la separación de CO2 mediante el proceso basado en membranas. La investigación de relevancia de MLR también pronosticó previamente el aumento de la permeabilidad al CO2 en las membranas al aumentar la dosis de relleno.

Efecto de la dosis de aditivo sobre la permeabilidad al CO2 en membranas de PMP/Al2O3 (presión = 10 bar).

La literatura ha relacionado esta mejora de la permeabilidad con las interacciones alúmina-polímero y el incremento del volumen de poro debido a la presencia de Al2O3 dentro de la cadena del polímero61.

El efecto de la presión de trabajo en la separación de CO2 por las membranas de PMP/ZnO con cinco niveles de concentración de nanopartículas (2,5, 5, 8, 10 y 15% en peso) se presenta en la Fig. 10. Esta figura muestra ambas permeabilidades de CO2 medidas en laboratorio y sus predicciones MLP-ANN relacionadas. Una excelente concordancia entre los perfiles de permeabilidad-presión experimentales y de modelado es fácilmente observable a través de esta investigación. El MLP-ANN también identifica correctamente la presión y el efecto de relleno sobre la permeabilidad al CO2 en membranas de matriz mixta de PMP/ZnO.

El efecto de la presión sobre la permeabilidad al CO2 en membranas de PMP/ZnO con diferentes dosis de aditivos.

Como era de esperar, la permeabilidad al CO2 en las membranas de matriz mixta aumenta al aumentar la presión de trabajo. Esta observación está en relación directa con la mejora de la fuerza impulsora debido a la mejora de la presión.

El efecto del tipo de relleno (ZnO, Al2O3, TiO2 y TiO2-NT) en la capacidad de separación de CO2 de las membranas basadas en PMP en la misma presión de trabajo se ilustra en la Fig. 11. Se puede ver que diferentes rellenos representan varios roles en Interacción CO2-MMM. De hecho, PMP/TiO2 y PMP-TiO2-NT proporcionan a la molécula de CO2 permeabilidades mínimas y máximas dentro de la estructura de la membrana. La literatura justificó la mayor permeabilidad al CO2 en PMP-TiO2-NT a la expansión del volumen libre y al aumento de la porosidad debido a la presencia de nanopartículas funcionalizadas en el cuerpo de la membrana60.

El efecto del tipo de aditivo en la permeabilidad al CO2 en membranas de PMP/nanopartículas.

Este estudio utiliza una metodología de dos pasos, es decir, regresión lineal múltiple y redes neuronales artificiales de perceptrón multicapa para simular la permeabilidad al dióxido de carbono en membranas de matriz mixta. La permeabilidad al dióxido de carbono en membranas de poli(4-metil-1-penteno) y PMP/nanopartículas puras (es decir, PMP/ZnO, PMP/Al2O3, PMP/TiO2 y PMP/TiO2-NT) se ha estudiado en base a 112 conjuntos de datos recogidos de la literatura. El método de regresión lineal múltiple se aplica para anticipar la dependencia de la permeabilidad al dióxido de carbono de la composición de la membrana (tipo y dosis de aditivo) y la presión. Este método muestra que la permeabilidad al dióxido de carbono está directamente relacionada con todas las variables independientes y tiene la correlación más fuerte con la dosis de nanopartículas en la estructura de la membrana. Luego, el MLP-ANN se utiliza para construir un enfoque no lineal para estimar la permeabilidad al dióxido de carbono en función del tipo de aditivo, la dosis de nanopartículas y la presión. Este MLP-ANN con la topología 3-8-1 predijo 112 permeabilidades experimentales de dióxido de carbono en los MMM involucrados con excelente precisión (es decir, R = 0,99477, MAE = 6,87, AARD = 5,46 %, MSE = 152,75 y SAE = 769,68) . Los resultados del modelo aclaran que PMP/TiO2-NT tiene una mejor separación de dióxido de carbono que las membranas de matriz mixta PMP/ZnO, PMP/Al2O3 y PMP/TiO2. Finalmente, los resultados obtenidos en este trabajo demostraron el excelente potencial de la ANN para estimar los factores de separación de membranas de matriz mixta para aplicaciones de captura y secuestro de carbono.

Todos los conjuntos de datos de la literatura analizados en este estudio están disponibles a pedido razonable del autor correspondiente (SA Abdollahi).

Wennersten, R., Sun, Q. & Li, H. El potencial futuro de la captura y el almacenamiento de carbono en la mitigación del cambio climático: una descripción general desde las perspectivas de la tecnología, la economía y el riesgo. J. Limpio. Pinchar. 103, 724–736 (2015).

Artículo CAS Google Académico

Du, L., Lu, T. & Li, B. Captura y secuestro de CO2 en medios porosos con espumas estabilizadas con nanopartículas de aerogel de SiO2. Combustible 324, 124661 (2022).

Artículo CAS Google Académico

Karimi, M. et al. Captura de CO2 en carbones activados modificados química y térmicamente mediante medidas innovadoras: estudio experimental y de modelización. Ing. Ind. química Res. 57, 11154–11166 (2018).

Artículo CAS Google Académico

Karimi, M. et al. MIL-160 (Al) como candidato para la mejora de biogás y la captura de CO2 mediante procesos de adsorción. Ing. Ind. química Res. 62, 5216–5229 (2023).

Artículo CAS Google Académico

Cambio, IC Impactos, Adaptación y Vulnerabilidad. Contribución del Grupo de Trabajo II al Sexto Informe de Evaluación del IPCC del Panel Intergubernamental sobre el Cambio Climático; Pötner, HO, Roberts, DC, Tignor, M., Poloczanska, ES, Mintenbeck, K., Ale, A., Eds (2022).

Lu, J., Chen, H. & Cai, X. De escenarios globales a nacionales: Explorando las emisiones de carbono hasta 2050. Energy Strateg. Rev. 41, 100860 (2022).

Artículo Google Académico

Yu, C.-H., Huang, C.-H. & Tan, C.-S. Una revisión de la captura de CO2 por absorción y adsorción. Calidad del aire del aerosol. Res. 12, 745–769 (2012).

Artículo CAS Google Académico

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Separación y captura de dióxido de carbono por adsorción: una revisión. Reinar. química Letón. https://doi.org/10.1007/s10311-023-01589-z (2023).

Artículo Google Académico

Xi, M. et al. Predijeron un BiC metálico en panal y una monocapa de Bi2C semiconductora directa como excelentes adsorbentes de CO2. Mentón. química Letón. 33, 2595–2599 (2022).

Artículo CAS Google Académico

Xu, G. et al. Un novedoso sistema de licuefacción y separación criogénica de CO2. Energía 42, 522–529 (2012).

Artículo CAS Google Académico

Rafiq, S. et al. Ajuste de superficie de sílice por solvente eutéctico profundo para sintetizar membranas basadas en derivados de biomasa para la separación de gases para mejorar la bioeconomía circular. Combustible 310, 122355 (2022).

Artículo Google Académico

Zhao, B. et al. Estudio de la corrosión en el proceso de absorción química de CO2 utilizando solución de amina. Energía Procedia 4, 93–100 (2011).

Artículo ADS CAS Google Académico

Lamy-Mendes, A. et al. Modificación con amina de aerogeles/xerogeles de sílice para la eliminación de contaminantes ambientales relevantes. Moléculas 24, 3701 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Lu, W., Bosch, M., Yuan, D. y Zhou, H. Síntesis rentable de materiales porosos atados con amina para la captura de carbono. Chemsuschem 8, 433–438 (2015).

Artículo CAS PubMed Google Académico

Canción, C. et al. Reducción del consumo energético de la captura de CO2 híbrida membrana-criogénica mediante optimización de procesos. Energía 124, 29–39 (2017).

Artículo CAS Google Académico

Karimi, M., Shirzad, M., Silva, JAC & Rodrigues, AE Materiales de carbono de biomasa/biocarbón para la captura y secuestro de CO2 mediante procesos de adsorción cíclica: una revisión y perspectivas para direcciones futuras. J. CO2 Util. 57, 101890 (2022).

Artículo CAS Google Académico

Siegelman, RL, Milner, PJ, Kim, EJ, Weston, SC & Long, JR Desafíos y oportunidades para la captura de CO2 basada en adsorción de las emisiones de ciclo combinado de gas natural. Entorno Energético. ciencia 12, 2161–2173 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Gasós, A., Becattini, V., Brunetti, A., Barbieri, G. & Mazzotti, M. Mapas de rendimiento de procesos para la separación de CO2 basada en membranas utilizando redes neuronales artificiales. En t. J. Greenh. Control de Gas 122, 103812 (2023).

Artículo Google Académico

Lin, X. et al. Método de espectrometría de masas con entrada de membrana (REOX/MIMS) para medir nitrato 15N en experimentos de enriquecimiento de isótopos. Ecol. índico 126, 107639 (2021).

Artículo CAS Google Académico

Miltner, M., Makaruk, A. y Harasek, M. Revisión de las tecnologías de mejora de biogás disponibles e innovaciones hacia soluciones avanzadas. J. Limpio. Pinchar. 161, 1329–1337 (2017).

Artículo CAS Google Académico

Uddin, MW y Hägg, M.-B. Efecto de la contaminación con monoetilenglicol y trietilenglicol en la separación de CO2/CH4 de una membrana de transporte facilitado para el endulzamiento de gas natural. J. miembro ciencia 423, 150–158 (2012).

Artículo Google Académico

Zhao, C., Xi, M., Huo, J., He, C. y Fu, L. Diseño computacional de un catalizador de un solo átomo basado en BC3N2 para la activación drástica de gases inertes de CO2 y CH4 en CH3COOH con una barrera de disociación ultrabaja de CH4. Mentón. química Letón. 34, 107213 (2023).

Artículo CAS Google Académico

Ahmad, A. et al. Tendencias y desafíos recientes con la síntesis de membranas: Oportunidades industriales hacia la remediación ambiental. Chemosphere 306, 135634. https://doi.org/10.1016/j.chemosphere.2022.135634 (2022).

Artículo ADS CAS PubMed Google Scholar

Yeo, ZY, Chai, S.-P., Zhu, PW y Mohamed, AR Una descripción general: síntesis de películas delgadas/membranas de marcos orgánicos metálicos y sus actuaciones de separación de gases. RSC Avanzado. 4, 54322–54334 (2014).

Artículo ADS CAS Google Académico

Dong, G., Li, H. & Chen, V. Desafíos y oportunidades para las membranas de matriz mixta para la separación de gases. J.Mater. química A 1, 4610–4630 (2013).

Artículo CAS Google Académico

Jee, KY & Lee, YT Preparación y caracterización de membranas compuestas de siloxano para la concentración de n-butanol a partir de solución ABE por pervaporación. J. miembro ciencia 456, 1–10 (2014).

Artículo CAS Google Académico

Budd, PM & McKeown, NB Polímeros altamente permeables para membranas de separación de gases. polim. química 1, 63–68 (2010).

Artículo CAS Google Académico

Chen, XY, Hoang, V.-T., Rodrigue, D. & Kaliaguine, S. Optimización de la fase continua en membranas de matriz mixta de copoliimida basadas en un marco orgánico metal funcionalizado con amino (MIL-53) para la separación de CO2/CH4 . RSC Avanzado. 3, 24266–24279 (2013).

Artículo ADS CAS Google Académico

Pereira, VR et al. Estudios de preparación y rendimiento de membranas de nanofiltración de nanotitania polisulfona-sulfatada (S-TiO2) para la eliminación de colorantes. RSC Avanzado. 5, 53874–53885 (2015).

Artículo ADS CAS Google Académico

Bhadra, P. et al. Transporte selectivo de nanopartículas de ZnO cargadas y diálisis de microorganismos a través de membranas nanoporosas de silicio. J. miembro ciencia 503, 16–24 (2016).

Artículo CAS Google Académico

Suleman, MS, Lau, KK y Yeong, YF Plastificación e hinchamiento en membranas poliméricas en la eliminación de CO2 del gas natural. química Ing. Tecnología 39, 1604-1616 (2016).

Artículo CAS Google Académico

Clarizia, G., Algieri, C. & Drioli, E. Combinación de polímero de relleno: una ruta para modificar las propiedades de transporte de gas de una membrana polimérica. Polímero (Gremio). 45, 5671–5681 (2004).

Artículo CAS Google Académico

Ali, A., Mubashir, M., Abdulrahman, A. & Phelan, PE Membrana inteligente enraizada con nanopuntos de polímero microporoso inducido por metal intercalado ultrapermeable para la remediación ambiental. Chemosphere 306, 135482 (2022).

Artículo ADS CAS PubMed Google Scholar

Yang, GCC y Tsai, C.-M. Efectos de la adición de almidón sobre las características de sustratos de membranas cerámicas porosas tubulares. Desalinización 233, 129–136 (2008).

Artículo CAS Google Académico

Maguire-Boyle, SJ et al. La funcionalización superhidrofílica de las membranas cerámicas de microfiltración permite la separación de hidrocarburos del agua de fractura y de producción. ciencia Rep. 7, 12267 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Lee, J.-Y., Tang, CY & Huo, F. Fabricación de membrana de matriz porosa (PMM) utilizando un marco orgánico de metal como plantilla verde para el tratamiento del agua. ciencia Rep. 4, 1–5 (2014).

CAS Google Académico

Ismail, AF, Goh, PS, Sanip, SM y Aziz, M. Propiedades de transporte y separación de la membrana de matriz mixta de nanotubos de carbono. Sep. Purif. Tecnología 70, 12–26 (2009).

Artículo CAS Google Académico

Talukder, ME y col. Membrana de nanofibra electrohilada de polietersulfona/polietersulfona sulfonada inmovilizada con nanopartículas Ag para la eliminación de metales pesados. ciencia Rep. 12, 5814 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Xue, B. et al. Un nanocompuesto de AuNPs/NiO mesoporoso/espuma de níquel como electrodo miniaturizado para la detección de metales pesados ​​en aguas subterráneas. Ingeniería. https://doi.org/10.1016/j.eng.2022.06.005 (2022).

Artículo Google Académico

Wang, Z. et al. Rendimiento de desnitrificación mejorado de Alcaligenes sp TB mediante estimulación de Pd para producir un mecanismo de adaptación de membrana junto con hierro de valencia cero a nanoescala. ciencia Entorno Total. 708, 135063 (2020).

Artículo ADS CAS PubMed Google Scholar

Ahn, J., Chung, W.-J., Pinnau, I. y Guiver, MD Membranas de matriz mixta de nanopartículas de polisulfona/sílice para la separación de gases. J. miembro ciencia 314, 123–133 (2008).

Artículo CAS Google Académico

Pechar, TW, Tsapatsis, M., Marand, E. & Davis, R. Preparación y caracterización de una membrana de matriz mixta de zeolita de poliimida fluorada vítrea. Desalinización 146, 3–9 (2002).

Artículo CAS Google Académico

Ismail, AF, Rahim, RA y Rahman, W. Caracterización de membranas de matriz mixta de mezcla miscible de polietersulfona/Matrimid® 5218 para la separación de gases O2/N2. Sep. Purif. Tecnología 63, 200–206 (2008).

Artículo CAS Google Académico

Tang, F., Niu, B., Zong, G., Zhao, X. & Xu, N. Diseño de control de seguimiento adaptativo desencadenado por eventos periódicos para sistemas no lineales de tiempo discreto a través del aprendizaje por refuerzo. Red neuronal 154, 43–55 (2022).

Artículo PubMed Google Académico

Si, Z., Yang, M., Yu, Y. & Ding, T. Pronóstico de energía fotovoltaica basado en imágenes satelitales considerando los efectos de la posición solar. aplicación Energía 302, 117514 (2021).

Artículo Google Académico

Guedes, IA et al. Nuevas funciones de puntuación basadas en la física y el aprendizaje automático para el descubrimiento de fármacos. ciencia Rep. 11, 1–19 (2021).

Artículo MathSciNet Google Académico

Cheng, F., Liang, H., Niu, B., Zhao, N. y Zhao, X. Control seguro bipartito autoactivado neuronal adaptativo para MAS no lineales sujetos a ataques DoS. información ciencia (Nueva York) 631, 256–270 (2023).

Artículo Google Académico

Bansal, M., Goyal, A. y Choudhary, A. Un análisis comparativo de los algoritmos K-Vecino más cercano, Genético, Máquina de vectores de soporte, Árbol de decisiones y Memoria a largo plazo en el aprendizaje automático. Decir Anal. J. 3, 100071 (2022).

Artículo Google Académico

Li, Z., Wang, J., Huang, J. & Ding, M. Desarrollo e investigación de una red neuronal de convolución de filtro triangular para la optimización de la recarga de combustible de HTGR de tipo bloque. aplicación Cómputo suave. https://doi.org/10.1016/j.asoc.2023.110126 (2023).

Artículo PubMed Google Académico

Dragoi, E.-N. & Vasseghian, Y. Modelado de la transferencia de masa en el proceso de destilación por membrana al vacío para el tratamiento de aguas residuales radiactivas mediante redes neuronales artificiales. Toxina Rev. 40, 1526–1535 (2021).

Artículo CAS Google Académico

Rezakazemi, M., Dashti, A., Asghari, M. & Shirazian, S. Modelado de membranas de matriz mixta selectivas de H2 usando ANFIS, PSO-ANFIS, GA-ANFIS. En t. J. Energía de hidrógeno 42, 15211–15225 (2017).

Artículo CAS Google Académico

Karimi, M., Hosin Alibak, A., Seyed Alizadeh, SM, Sharif, M. y Vaferi, B. Modelado inteligente para considerar el efecto del tipo de fuente biológica y la forma de la apariencia en la capacidad calorífica de la biomasa. medida J. Int. medida confesado 189, 110529 (2022).

Artículo Google Académico

Chamani, H. et al. Modelo de programación genética basado en CFD para la estimación de la presión de entrada de líquido de membranas hidrofóbicas. Desalación 476, 114231 (2020).

Artículo CAS Google Académico

Rezakazemi, M., Mosavi, A. & Shirazian, S. Patrón ANFIS para la optimización de la separación de membranas moleculares. J. Mol. Liq. 274, 470–476 (2019).

Artículo CAS Google Académico

Vural, Y., Ingham, DB y Pourkashanian, M. Predicción del rendimiento de una celda de combustible de membrana de intercambio de protones utilizando el modelo ANFIS. En t. J. Hydrogen Energy 34, 9181–9187 (2009).

Artículo CAS Google Académico

Zhao, Z. et al. Predicción de interacciones interfaciales relacionadas con el ensuciamiento de la membrana en un biorreactor de membrana basado en una red neuronal artificial (ANN) de función de base radial. Biorrecursos. Tecnología 282, 262–268 (2019).

Artículo CAS PubMed Google Académico

Kazemian, HB, White, K. y Palmer-Brown, D. Aplicaciones de la SVM evolutiva para la predicción de hélices alfa de membrana. Sistema experto aplicación 40, 3412–3420 (2013).

Artículo Google Académico

Saeedi Dehaghani, AH & Pirouzfar, V. Preparación de membranas de alto rendimiento derivadas de partículas de poli(4-metil-1-penteno)/óxido de zinc. química Ing. Tecnología 40, 1693-1701 (2017).

Artículo CAS Google Académico

Alihosseini, A., Zergani, D. & Saeedi Dehaghani, AH Optimización de parámetros que afectan la separación de mezclas gaseosas de O2, N2, CO2 y CH4 mediante membrana PMP modificada con nanopartículas de TiO2, ZnO y Al2O3. Poliolefinas J. 7, 13–24 (2019).

Google Académico

Saeedi Dehaghani, AH, Pirouzfar, V. & Alihosseini, A. Novelas nanocompuestas derivadas de membranas de poli (4-metil-1-penteno)/dióxido de titanio funcionalizado para mejorar las propiedades de transporte de gases y el rendimiento de la separación. polim. Toro. 77, 6467–6489 (2020).

Artículo CAS Google Académico

Nematollahi, MH, Dehaghani, AHS, Pirouzfar, V. & Akhondi, E. Membranas de matriz mixta que comprenden polímero PMP con rellenos de nanopartículas de alúmina dispersas para separar CO2/N2. macromol. Res. 24, 782–792 (2016).

Artículo CAS Google Académico

Guidotti, R. et al. Una encuesta de métodos para explicar los modelos de caja negra. Cómputo ACM. sobrev. 51, 1–42 (2018).

Artículo Google Académico

Leperi, KT, Yancy-Caballero, D., Snurr, RQ & You, F. 110.º aniversario: modelos sustitutos basados ​​en redes neuronales artificiales para simular y optimizar los ciclos de adsorción por oscilación de presión para la captura de CO2. Ing. Ind. química Res. 58, 18241–18252 (2019).

Artículo CAS Google Académico

Waqas, S. et al. Enfoque de modelado SVM y ANN para la optimización de la permeabilidad de la membrana de un contactor biológico rotativo de membrana para el tratamiento de aguas residuales. Membranas (Basilea). 12, 821 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Ke, K.-C. y Huang, M.-S. Predicción de calidad para moldeo por inyección mediante el uso de una red neuronal de perceptrón multicapa. Polímeros (Basilea). 12, 1812 (2020).

Artículo CAS PubMed Central Google Académico

Pu, L., Li, Y., Gao, P., Zhang, H. & Hu, J. Un modelo de predicción de la tasa fotosintética utilizando una red neuronal RBF mejorada. ciencia Rep. 12, 9563 (2022).

Artículo ADS CAS PubMed Central Google Scholar

Ren, K., Jiao, Z., Wu, X.-L. y Han, H.-G. Identificación multivariable del ensuciamiento de la membrana basada en una red neuronal en cascada compactada. Mentón. J. Chem. Ing. 53, 37–45 (2023).

Artículo Google Académico

Fulcher, JA Una revisión comparativa de simuladores ANN comerciales. computar Pararse. interfaces 16, 241–251 (1994).

Artículo Google Académico

Curteanu, S. & Cartwright, H. Redes neuronales aplicadas en química. I. Determinación de la topología óptima de redes neuronales de perceptrón multicapa. J. Chemom. 25, 527–549 (2011).

Artículo CAS Google Académico

Díez, J.-L., Masip-Moret, V., Santafé-Moros, A. & Gozálvez-Zafrilla, J. M. Comparison of artificial intelligence control strategies for a peristaltically pumped low-pressure driven membrane process. Membranes (Basel). 12, 883 (2022).

Artículo PubMed PubMed Central Google Académico

Abdollahzadeh, M. et al. Estimación de la densidad de disolventes eutécticos profundos aplicando técnicas de aprendizaje automático supervisado. ciencia Rep. 12, 1–16 (2022).

Artículo Google Académico

Wang, J. et al. Predicción de la solubilidad del CO2 en disolventes eutécticos profundos utilizando un modelo de bosque aleatorio basado en descriptores derivados de COSMO-RS. química verde. Ing. 2, 431–440 (2021).

Artículo Google Académico

Caja de herramientas de redes neuronales artificiales y MATLAB (versión 2019a), The MathWorks, Inc., Natick, Massachusetts, Estados Unidos. (2019).

Descargar referencias

Facultad de Ingeniería Mecánica, Universidad de Tabriz, Tabriz, Irán

Seyyed Amirreza Abdollahi y Seyyed Faramarz Ranjbar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

SAA: preparación del borrador original, recopilación de datos de literatura, curación de datos, construcción de modelos, análisis formal. SFR: elaboración del borrador original, análisis de pertinencia, conceptualización, aprobación final, supervisión.

Correspondencia a Seyyed Amirreza Abdolahi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Abdollahi, SA, Ranjbar, SF Modelización de la capacidad de separación de CO2 de la membrana de poli(4-metil-1-pentano) modificada con diferentes nanopartículas mediante redes neuronales artificiales. Informe científico 13, 8812 (2023). https://doi.org/10.1038/s41598-023-36071-x

Descargar cita

Recibido: 22 de marzo de 2023

Aceptado: 29 de mayo de 2023

Publicado: 31 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-36071-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.