二氧化碳（CO$_2$）的预测、捕集与活化：时间序列分析、机器学习与材料设计的融合
机器学习
2023-07-28 v1
摘要
本研究对 2019 年 1 月至 2023 年 2 月逐日的行业特定、分国家 CO 排放进行了全面的时间序列分析。研究聚焦于欧洲国家（EU27 与英国、意大利、德国、西班牙）以及印度的电力、工业、地面交通、国内航空和国际航空部门，利用了来自 Carbon Monitor 研究计划的近实时活动数据。为识别规律性排放模式，由于 COVID-19 疫情造成的扰动效应，排除了 2020 年的数据。随后，研究进行了主成分分析（PCA）以确定 CO 排放的主要贡献因素。分析显示，电力、工业和地面交通部门占据了数据集中方差的显著部分。采用 7 天移动平均数据集进行进一步分析，以助于稳健预测。该数据集同时捕捉短期与长期趋势，并提升了用于预测目的的数据质量。研究在 7 天移动平均数据集上利用长短期记忆（LSTM）模型有效预测排放，并为政策决策、减缓策略和气候变化工作提供见解。在训练阶段，确保了 LSTM 模型的稳定性与收敛性，从而保障其在测试阶段的可靠性。损失函数的评估表明了该可靠性。模型实现了高效率，如不同国家和部门的 值在 0.8242 至 0.995 之间所示。此外，提出利用钪及硼/铝基薄膜作为捕集 CO 的极高效率材料（结合能范围为 -3.0 至 -3.5 eV）。这些材料在此方面被证明优于石墨烯与氮化硼薄片的亲和性。
引用
@article{arxiv.2307.14374,
title = {Forecasting, capturing and activation of carbon-dioxide (CO$_2$): Integration of Time Series Analysis, Machine Learning, and Material Design},
author = {Suchetana Sadhukhan and Vivek Kumar Yadav},
journal= {arXiv preprint arXiv:2307.14374},
year = {2023}
}
备注
38 pages, 16 figures