机器学习辅助甲壳素提取：基于低共熔溶剂（DES）的甲壳生物质来源与产率预测研究

　　本文创新性地将机器学习（ML）技术与绿色溶剂提取工艺相结合，构建了基于XGBoost等算法的甲壳素产率预测模型（R2=0.99），成功实现了对深共熔溶剂（DES）提取甲壳素过程的多参数优化，为生物聚合物可持续开发提供了智能化解决方案。

　　

研究亮点

本研究首次采用机器学习方法精准预测深共熔溶剂（DES）提取甲壳素的产率，XGBoost模型以R²=0.99的卓越表现显著优于传统方法，为绿色生物质转化提供了数据驱动的优化方案。

数据整合

本研究采用包含187组实验数据的大规模数据集，涵盖生物质来源、氢键供体（HBD）与受体（HBA）类型、HBA/HBD摩尔比、壳溶剂比、反应时间和提取温度等关键参数，所有数据均配有实验测得的实际甲壳素产率。

数据收集、模型开发与调优

通过系统收集深共熔溶剂（DES）提取甲壳素的实验数据，发现甲壳源、HBD/HBA类型、摩尔比、温度、壳溶剂比和时间等参数对产率具有决定性影响。数据经过去重和缺失值填充（采用众数插补）预处理后，采用特征工程增强数据集代表性，最终通过Scikit-learn库构建多种机器学习模型。

结论与展望

本研究证实机器学习能有效预测深共熔溶剂（DES）提取甲壳素的产率，其中XGBoost模型以R²=0.99的准确率和低误差指标表现最佳。结果表明甲壳源（特别是虾壳）、孵化时间、氢键供体（HBD）和受体（HBA）浓度是影响产率的关键因素。该技术为可持续材料研究中的大数据挑战提供了可扩展的解决方案，未来可扩展至其他生物聚合物提取领域。