神经网络模型预测炭材料吸附VOCs的工作容量

doi:10.3969/j.issn.0253-2417.2017.04.018

林产化学与工业 ›› 2017, Vol. 37 ›› Issue (4): 123-128.doi: 10.3969/j.issn.0253-2417.2017.04.018

神经网络模型预测炭材料吸附VOCs的工作容量

王国栋¹, 蒋剑春^1,2

1. 南京林业大学化学工程学院, 江苏南京 210037;
2. 中国林业科学研究院林产化学工业研究所, 江苏南京 210042

收稿日期:2016-10-27 出版日期:2017-08-25 发布日期:2017-09-02
通讯作者: 蒋剑春,研究员,博士生导师,研究领域为生物质资源的综合利用研究;E-mail:bio-energy@163.com E-mail:bio-energy@163.com
作者简介:王国栋(1987-),男,新疆石河子人,博士生,主要从事活性炭孔隙结构表征的应用研究
基金资助:
“十二五”国家科技支撑计划资助（2015BAD21B05）

Neural Network Model for Working Capacity Prediction of VOCs Adsorption on Carbon Materials

WANG Guodong¹, JIANG Jianchun^1,2

1. College of Chemical Engineering, Nanjing Forestry University, Nanjing 210037, China;
2. Institute of Chemical Industry of Forest Products, CAF, Nanjing 210042, China

Received:2016-10-27 Online:2017-08-25 Published:2017-09-02

摘要/Abstract

摘要： 吸附剂的孔隙结构对于有机易挥发物（VOCs）的回收利用具有显著影响。活性炭的传统筛选方法不仅需要对孔隙结构进行表征，还要实验测定相应样品吸附正丁烷的工作容量。为提高活性炭的筛选效率，结合61种活性炭的表征信息，经机器学习回归基于BP神经网络的活性炭分类模型，重复30次计算所研究活性炭吸附正丁烷工作容量的计算结果与实验值的平均偏差约为6.64%，成功建立了活性炭特征参数和吸附正丁烷工作容量之间的定量关系，这对于降低实验成本具有重要的研究意义。

关键词: 多孔材料, 孔隙结构, 构效关系, 丁烷吸附, 人工智能算法应用

Abstract: The adsorption performance of volatile organic components (VOCs) on adsorbent was strongly affected by its porous structure. The traditional adsorbent screening required not only porous characterization, but also n-butane working capacity (BWC) measurement. In order to improve the screening efficiency, the average deviation of the experimental BWC and the calculated ones obtained from the BP artificial neural network constructed by machine learning on corresponding characterizations after thirty repeats of 61 kinds of activated carbon samples was about 6.64%. It was significant to explore such quantitative relationship between feature properties of activated carbon and their related BWC, which was meaningful for the further reduction of expenditure on adsorbent screening.

Key words: amorphous materials, porous structure, quantitative structure-property relationship, butane adsorption, application of artificial intelligence algorithm

中图分类号:

TQ35

王国栋, 蒋剑春. 神经网络模型预测炭材料吸附VOCs的工作容量[J]. 林产化学与工业, 2017, 37(4): 123-128.

WANG Guodong, JIANG Jianchun. Neural Network Model for Working Capacity Prediction of VOCs Adsorption on Carbon Materials[J]. Chemistry and Industry of Forest Products, 2017, 37(4): 123-128.

参考文献

[1] 黎维彬,龚浩. 催化燃烧去除VOCs污染物的最新进展[J]. 物理化学学报,2010,26(4):885-894. LI W B, GONG H. Recent progress in the removal of volatile organic compounds by catalytic combustion[J]. Acta Physico-Chimica Sinica,2010,26(4):885-894.
[2] ANFRUNS A, GARCIA-SUAREZ E J, MONTES-MORAN M A, et al. New insights into the influence of activated carbon surface oxygen groups on H₂O₂ decomposition and oxidation of pre-adsorbed volatile organic compounds[J]. Carbon,2014,77:89-98.
[3] 蒋剑春,王志高,邓先伦,等. 丁烷吸附用颗粒活性炭的制备研究[J]. 林产化学与工业,2005,25(3):5-8. JIANG J C, WANG Z G, DENG X L, et al. Study on preparation of granular activated carbon for n-butane adsorption[J]. Chemistry and Industry of Forest Products,2005,25(3):5-8.
[4] 张晓东,王吟,杨一琼,等. 介孔硅材料及其负载型催化剂去除挥发性有机物的最新进展[J]. 物理化学学报,2015,31(9):1633-1646. ZHANG X D, WANG Y, YANG Y Q, et al. Recent progress in the removal of volatile organic compounds by mesoporous silica materials and supported catalysts[J]. Acta Physico-Chimica Sinica,2015,31(9):1633-1646.
[5] 卢晗锋,周春何,周瑛,等. 气相低浓度甲苯在超稳Y分子筛的吸附-脱附性能[J]. 高校化学工程学报,2012,26(2):338-343. LU H F, ZHOU C H, ZHOU Y, et al. Adsorption-desorption of toluene in gas phase on dealuminated ultrastable Y zeolites[J]. Journal of Chemical Engineering of Chinese Universities,2012,26(2):338-343.
[6] 杨榛,顾幸生,梁晓怿,等. 基于PCA-GA神经网络模式识别的炭纤维复合材料导电综合性能优化及预测的研究[J]. 计算机与应用化学,2008,25(12):1543-1548. YANG Z, GU X S, LIANG X Y, et al. Optimization and prediction research on carbon fiber composite integrated conductive performance based on PCA-GANN pattern recognition[J]. Computers and Applied Chemistry,2008,25(12):1543-1548.
[7] YANG Z, QIAO W M, LIANG X D. Modelling and optimization of the pore structure of carbon aerogels using an artifical neural network[J]. New Carbon Materials,2017,32(1):77-85.
[8] CASCO M E, MARTÍNEZ-ESCANDELL M, KANEKO K, et al. Very high methane uptake on activated carbons prepared from mesophase pitch:A compromise between microporosity and bulk density[J]. Carbon,2015,93:11-21.
[9] 孙强. 基于人工神经网络的汽车声品质评价与应用研究[D]. 长春:吉林大学硕士学位论文,2010. SUN Q. Reseach on evaluation and application of vehicle sound quality based on artifical neural network[D]. Changchun:Master Degree Thesis of Jilin University,2010.
[10] 苏鑫,裴华健,吴迎亚,等. 应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率[J]. 化工进展,2016,35(2):389-396. SU X, PEI H J, WU Y Y, et al. Predicting coke yield of FCC unit using genetic algorithm optimized BP neural network[J]. Chemical Industry and Engineering Progress,2016,35(2):389-396.

[1]	钱爽, 任浩. 木质素-聚丙烯酸钠高吸水树脂的制备及性能[J]. 林产化学与工业, 2018, 38(2): 21-28.
[2]	王兴达, 李蕾, 韩泳平. 大黄酸衍生物的合成及其抑菌活性研究[J]. 林产化学与工业, 2018, 38(2): 105-111.
[3]	周凌云, 鲁斌, 余小红, 张明芮, 华燕. 隐孔菌中倍半萜类化合物及其抗氧化活性研究[J]. 林产化学与工业, 2018, 38(1): 73-80.
[4]	陈莉晶, 左宋林, 张秋红, 陈继锡, 王永芳. 二次水蒸气活化制备离子液体超级电容器活性炭的研究[J]. 林产化学与工业, 2017, 37(1): 87-93.
[5]	林冠烽, 蒋剑春, 吴开金, 蔡政汉, 孙康, 卢辛成. 磷酸法自成型木质颗粒活性炭孔隙结构分析及其甲烷吸附性能[J]. 林产化学与工业, 2016, 36(5): 101-106.
[6]	王国栋, 蒋剑春, 孙康. 改进的密度泛函理论在活性炭孔径分布的应用[J]. 林产化学与工业, 2016, 36(2): 79-86.
[7]	王爱婷, 刘鹤, 刘仕伟, 商士斌, 于世涛. 纤维素多孔吸附材料的制备[J]. 林产化学与工业, 2015, 35(6): 1-7.
[8]	胡国元;李伟伟;袁军;魏凌云. 茯苓多糖的修饰技术及其构效关系研究进展[J]. 林产化学与工业, 2013, 33(5): 121-126.
[9]	宋杰;王宗德;韩招久;陈金珠;姜志宽;郑卫青;商士斌. 萜类臭虫(Cimex lectularius L.)驱避化合物的定量构效关系研究[J]. 林产化学与工业, 2012, 32(3): 1-8.
[10]	王宗德;宋杰;姜志宽;陈金珠;韩招久;郑卫青;宋湛谦;商士斌. 松节油基萜类蚂蚁驱避剂的驱避活性与定量构效关系研究[J]. 林产化学与工业, 2009, 29(S1): 47-53.
[11]	吴微微;万金泉;马邕文;王艳. 麦草纤维孔隙结构在回用过程中的变化规律研究[J]. 林产化学与工业, 2008, 28(3): 81-85.
[12]	蒋剑春;王志高;邓先伦;常侠;张燕萍. 丁烷吸附用颗粒活性炭的制备研究[J]. 林产化学与工业, 2005, 25(3): 5-8.
[13]	蒋文举;江霞;朱晓帆;金燕. 微波处理对活性炭孔隙结构的影响[J]. 林产化学与工业, 2004, 24(1): 21-24.
[14]	聂凌鸿;宁正祥. 活性多糖的构效关系[J]. 林产化学与工业, 2003, 23(04): 89-94.
[15]	李坚;李淑君. 木陶瓷的孔隙结构研究[J]. 林产化学与工业, 2002, 22(04): 27-30.

神经网络模型预测炭材料吸附VOCs的工作容量

Neural Network Model for Working Capacity Prediction of VOCs Adsorption on Carbon Materials

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

投稿指南

在线期刊

相关单位

联系我们