应用人工智慧于MOFs材料二氧化碳吸附研究
本研究运用了人工智慧 (Artificial Intellignce, AI) 模型，结合倒传递类神经网路 (Back-propagation Neural Network, BPNN) 与基因演算法 (Genetic Algorigh, GA)，将经过高压气体吸附测试仪与三维扫描式量热仪所分析出的已知结果实验样本，来训练类神经网路，并以基因演算法来决定类神经网路节点的权重 (Weight) 与偏移值 (Bias)，进一步预测出 Ni/DOBDC 这类高孔洞金属氧化物有机框架材料 (Metal-Organic Frameworks, MOFs) 对于二氧化碳吸附能力。
传统的倒传递类神经网路使用随机函数的最佳化初始权重和偏差值，并利用微分法，逐步修正权重与偏移值，并将网路训练出最小误差的结果。但微分法容易陷入区域最佳解 (Local Minimum)，造成错误决策。因此，在这个研究中，作者改以基因演算法，计算出最佳的权重与偏差值。并以此训练最佳化后的类神经网路，预测在不同压力、温度下，Ni/DOBDC 材料，对的二氧化碳吸附能力以及相对应的吸附热量。以此可以预测在更宽的温度范围 (25−145°C)，与压力范围(0−3.5 Mpa) 下的二氧化碳吸附能力。
倒传递类神经网路
本研究中所使用的热分析仪器，是法国 SETARAM 公司所生产的热分析仪器，系统架构包含四个部份，吸附 (Adsorption)，量热 (Calorimetric)，气体 (Gas Supply)，以及资料撷取系统 (DAQ System)。主要包含两种仪器，基于Sievert’s Method 的高压气体吸附测试仪 (SETARAM，PCTPRO)，以及三维Calvet扫描式量热仪 (SETARAM，C80)，分别担任吸附与量热的仪器。
实验开始前，执行样品前处理，以获得高纯度的 NI/DOBDC 粉末。使用 C80 量热仪，将 Ni/DOBDC粉末，以 200 °C 的温度，在真空下加热24小时，以移除 NI/DOBDC 已经在空际中吸附的水分与二氧化碳。供气系统主要包含三种高纯度气体的供应管线，即二氧化碳 (CO2)，氮气 (N2), 氦气 (He)，并将他们连接到 PCTPRO 高压气体吸附仪。氮气用于驱动 PCTPRO 气体吸附仪的气动阀。而氦气则通过 C80 量热仪，以校准样品槽内的气体容积。二氧化碳则是作为吸附气体，并达到样品槽预先设定的压力。
目标温度可透过 C80 量热仪本身来控制，而在吸附的过程中，供给 NI/DOBDC 材料的热量，则是由 PCTPRO 高压气体吸附测试仪来控制。整个量测系统的配置如下图：
整个量测系统的架构图
有关这项研究的详细内容，请参阅西安交通大学的原始论文，"Prediction and Experimental Verification of CO2 Adsorption on Ni/DOBDC Using a Genetic Algorithm–Back-Propagation Neural Network Model" 。关于本研究所使用的设备，欢迎来电联络势动科技，我们将为您说明，并规划整组仪器设备。