aisteinium

Inspiration

สารประกอบในกลุ่ม Metal Organic Frameworks (MOFs) เป็นสารประกอบที่มีโครงสร้างเป็นรูพรุน ซึ่งประกอบด้วยส่วนที่เป็นโลหะ และส่วนที่เป็นสารประกอบอินทรีย์จำพวก carboxylate ที่ทำหน้าที่เป็นตัวเชื่อม จากคุณสมบัติดังกล่าวนี้ MOF จึงถูกนำไปใช้ในการดูดซับก๊าซต่างๆ อาทิเช่น ก๊าซคาร์บอนไดออกไซด์ ซึ่งเป็นสาเหตุหลักของมลภาวะทางอากาศ ภาวะเรือนกระจก อันมีผลต่อสุขภาพและการดำเนินชีวิตของผู้คนอย่างมากมาย ทำให้ MOFs กลายเป็นวัสดุที่มีความสำคัญและมีความน่าสนใจ

What it does

นำ Machine learning ใช้ในการทำนายความสามารถในการดูดซับก๊าซคาร์บอนไดออกไซด์ของ Metal-Organic Frameworks (MOFs) โดยอาศัยข้อมูลเกี่ยวกับคุณสมบัติของ MOFs นั่นคือ volume, surface area, weight, void fraction, void volume, functional groups, metal linker, organic linker1, organic linker2, topology, CO2/N2_selectivity, heat adsorption CO2.

How we built it

ใช้ภาษา Python 3

library

pandas จัดการข้อมูล csv and clean data matplotlib พล็อตกราฟ scikit-learn สร้าง linear model และแบ่งข้อมูล Tensorflow สร้าง ANN model

ใช้ Artificial Neuron Network ในการทำนายผล โดยจะมี 4 layers

#input    : 30  neuron Activation = relu
#hidden 1 : 80  neuron Activation = elu
#hidden 2 : 150 neuron Activation = selu
#hidden 3 : 50  neuron Activation = selu
#output   : 1   neuron Activation = linear

epoch = 195 optimizer = adam batchsize = 32

Challenges we ran into

1.มีข้อมูลบางส่วนมีความผิดพลาด แต่เราก็สามารถทำความสะอาดข้อมูลเหล่านั้นได้ 2.deep note ล่ม ทำให้เกิดการrun error และเกิดความล่าช้าในการทำงาน แต่ในที่สุดเราก็สามารถบริหารเวลาจนงานสำเร็จลุล่วงตามเป้าหมาย

Accomplishments that we're proud of

โมเดลทีมเราสามารถทำนายค่า LMAE อยู่ที่ 1.3104312211

What we learned

ได้เรียนรู้และพัฒนาการเขียน machine learning สำหรับใช้ในการทำนายความสามารถในการดูดซับก๊าซ CO2 ของ MOFS
รู้จักคุณสมบัติและเล็งเห็นถึงความสำคัญของ MOFS
ได้เรียนรู้สิ่งใหม่ๆจากวิทยากร
ได้แก้โจทย์ปัญหาใหม่ๆจากวิทยากร
ฝึกการวางแผน การทำงานเป็นทีมและความสามัคคีภายในทีม
ได้เข้าร่วมการแข่งขัน data science ทำให้เรามีประสบการณ์และทักษะมากขึ้น ## What's next for aisteinium ตามล่าและเก็บพอร์ตต่อไปคร้าบบ