수분과 억제제를 포함한 순수 성분의 하이드레이트 형성 예측에 대한 기계 학습의 적용

초록 본 연구는 가스 하이드레이트 시스템에서 하이드레이트 형성 압력(HFP)을 예측하기 위한 기계 학습 접근법의 사용을 조사한다. 결정 트리 회귀기(DTR), 랜덤 포레스트 회귀기(RFR), 극단 그래디언트 부스팅(XGB), 그래디언트 부스팅 회귀기(GBR), 히스토그램 그래디언트 부스팅 회귀기(HGBR), 그리고 CatBoost 회귀기(CB)와 같은 고급 기계 학습 모델들은 3137개의 실험 데이터 포인트로 구성된 대규모 데이터 세트에서 훈련되고 평가되었다. 모델들은 결정 계수(R²), 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 그리고 제곱근 평균 제곱 오차(RMSE)를 사용하여 평가되었다. 연구는 HFP 예측의 목표를 위해 CatBoost가 다른 모든 기계 학습 모델보다 우수하다는 것을 나타낸다. CatBoost는 테스트 세트에서 R² 값이 0.9922로 높은 정확도를 보였으며, 가장 낮은 RMSE(1.61 × 10⁻³), MAE(7.90 × 10⁻⁴), MSE(2.58 × 10⁻⁶)를 기록하며 예측 능력을 강화하였다.