AIChE Journal 沈阳工业大学 贾鹏 | 基于机器学习和SHAP分析的离子液体中CO₂溶解度预测

本文背景是离子液体作为优良的CO2吸收剂，但其种类繁多，实验筛选成本高。研究目的是利用机器学习模型预测离子液体中CO2的溶解度，并分析关键结构因素。作者收集了8869组数据，采用SMILES编码及专利解码方法处理特征，对比了Transformer、DNN、RF和SVM四种模型。结论显示Transformer模型预测性能最优，其相关系数和决定系数分别达0.993和0.986。通过SHAP分析揭示了压力、温度、含氟阴离子、长链阳离子及咪唑/吡啶类阳离子对溶解度的影响规律，为高效设计CO2捕集材料提供了指导。