Getting insights into zeolites via machine learning: on the post-synthesis impact on properties

Maria Leonor Lopes Rafael Ledesma Frazão

Key information

Authors:

Maria Leonor Lopes Rafael Ledesma Frazão (Maria Leonor Lopes Rafael Ledesma Frazão)

Supervisors:

Pedro Simão Freitas Mendes (Pedro Simão Freitas Mendes); Daniel Pereira Costa (Daniel Pereira Costa)

Published in

December 5, 2023

Abstract

Os zeólitos apresentam qualidades únicas no que toca às suas características e natureza adaptável, sendo indispensáveis a uma grande variedade de aplicações. Desta forma, é importante encontrar novas estratégias para a otimização do atual processo de modificação das suas características, que atualmente se efetua por tentativa e erro, sendo por isso muito dispendioso e demorado. Este trabalho teve como objetivo a avaliação de modelos de Aprendizagem Automática Supervisionada, com foco na "Random Forest Regression" e "Gradient Boosting" para descobrir tendências, entre as propriedades do tratamento e as características iniciais dos zeólitos, com as características finais destes. Foram aplicados modelos a dados de um tratamento de pós-síntese de zeólitos, mais especificamente a dessilicação dos ZSM-5. A aplicação de "Random Forest Regression" e "Gradient Boosting" mostrou-se promissora, permitindo a identificação de tendências consistentes com as existentes na bibliografia, ao considerar variáveis bem descritas no conjunto de dados. No entanto, a análise às condições de tratamento nem sempre foi a melhor devido à fraca distribuição de algumas variáveis de entrada e ao volume de dados relativamente reduzido. Em conclusão, os resultados obtidos demonstraram a eficácia da aprendizagem automática para um conjunto de dados de pós-síntese de zeólitos, servindo como um bom ponto de partida para a utilização de diferentes modelos. Sendo assim, de forma a permitir análises mais corretas e abrangentes, um trabalho futuro deve dar prioridade à recolha de conjuntos de dados maiores e mais diversificados. With the vast range of applications portrayed by the zeolites, given their specific set of textural and acidic properties, and their adaptable nature through synthesis optimization and post-synthesis treatments, understanding more thoroughly the correlations that link these conditions and the final zeolite characteristics becomes extremely relevant. This way, new approaches can be sought to optimize the current trial and error zeolite characteristics tailoring process that is costly and highly time consuming. This work was directed towards the assessment of Supervised Machine Learning models, focusing on Random Forest Regression and Gradient Boosting. The goal was to find trends between treatment properties and initial zeolite characteristics with the final zeolite characteristics by utilizing these models in the context of a post-synthesis zeolite treatment, specifically the desilication of ZSM-5. The application of Random Forest Regression and Gradient Boosting exhibited significant promise, enabling the identification of similar trends, consistent with existing literature, when considering well described features within the dataset. However, the analysis of the full feature spectrum was not completely possible due to the small volume of the dataset and low value distribution. In conclusion, the gathered results demonstrated effectiveness in the employment of machine learning for a zeolite post-synthesis dataset, serving as a promising starting point for the employment of different models. Future research should prioritize gathering larger and more diverse datasets, for posterior employment of diverse machine learning models for a more comprehensive analysis.