Hackeleton

Inspiration

เนื่องจากเป็นการแข่งขันครั้งนี้เป็นการแข่งขันระดับประเทศ ซึ่งเป็นศาสตร์เฉพาะด้าน ทางทีมจึงอยากเข้าร่วมเพื่อหาประสบการณ์

What it does

โปรแกรมคำนวณ Working capacity ของคาร์บอนไดออกไซด์ ด้วย Machine Learning แบบ Supervise

How we built it

Machine Learning Pipeline Feature extraction โดยใช้ Parameters ที่การแข่งขันกำหนด ดังนี้

volume [A^3]
weight [u]
surface area [m^2/g]
void fraction
void volume [cm^3/g]
functional groups
metal linker
organic linker1
organic linker2
topology
CO2/N2 selectivity
heat adsorption CO2 P0.15bar T298K [kcal/mol] มีการตัด MOF ตัวที่ไม่มีค่าและค่าเป็น infinity ออก

และ Parameters จากการคำนวณเพิ่มเติม ได้แก่

Volume of the gaseous phase occupied in void [cm^3/g]
Density of MOF [kg/m^3]
Surface area to volume ratio [m^2/cm^3]
Total number of atoms in MOF
Total number of metals / Identified metal in metal linker
Total number of metals / Identified metal in MOF
Analysis functional groups
Multiplication results of total number of metals by the electronegativity value

สร้าง Ensemble model และแบ่งข้อมูลเพื่อทดสอบเป็นสัดส่วน Training 67%, Validate 33%
Evaluation โดยใช้ Metrics : R2 , MAE(Mean absolute error), MSE (Mean square error) RMSE (Root mean square error)

Challenges we ran into

การนับจำนวน Organic Linker ใน MOF
การตัดค่าตัวแปร จากโจทย์ที่กำหนด

Accomplishments that we’re proud of

เป็นการแข่งขันครั้งแรกที่ได้ทำงานร่วมกันกับเพื่อนร่วมงานที่มาจากหลากหลายสาขาวิชา ทั้ง ด้านเคมี, คอมพิวเตอร์ศึกษา, วิศวกรรม, เทคนิคการแพทย์ และ Data Science