https://www.sciencedirect.com/science/article/pii/S0304389424031467

PART 01

文章信息

题目： A machine learning feature descriptor approach: Revealing potential adsorption mechanisms for SF₆ decomposition product gas-sensitive materials

作者： Mingxiang Wang；Qingbin Zeng；Dachang Chen；Yiyi Zhang；Jiefeng Liu；Changyou Ma；Pengfei Jia*

单位： 广西大学 电气工程学院；广西智能控制与电力设备运维重点实验室；武汉轻工大学 电气与电子工程学院；内江师范学院 四川省数据恢复重点实验室

期刊： Journal of Hazardous Materials，2025年，481卷，136567

DOI： https://doi.org/10.1016/j.jhazmat.2024.136567

PART 02

一句话亮点

构建 统一的机器学习特征描述符体系 ，在跨材料、跨体系条件下高精度预测 SF₆ 分解产物的吸附距离与吸附能，并首次从 数据驱动角度揭示气敏材料吸附机理主导因子 。

PART 03

研究背景与科学问题

SF₆ 因其优异的绝缘与灭弧性能，被广泛应用于 GIS 等高压电力设备。然而在 局部放电或局部过热 条件下，SF₆ 会分解生成 SO₂、SOF₂、SO₂F₂、H₂S、HF 等有毒气体，严重威胁设备安全与环境健康。 气体传感器被认为是最具潜力的在线监测手段，其核心在于 气敏纳米材料对分解气体的吸附与电荷转移行为 。 当前研究面临的主要挑战包括：

不同文献、不同材料体系的 DFT 吸附数据高度离散、难以统一建模 ；

尚缺乏一种 通用的、可解释的模型 来揭示吸附行为的本质主控因素；

传统“DFT+经验判断”方式效率低，难以支撑大规模材料筛选。

本工作试图回答： 是否可以通过机器学习特征描述符，在多体系数据基础上揭示普适吸附机理？

PART 04

技术原理与创新点

大规模跨文献数据整合 ： 从过去 10 年（2014–2024）52 篇文献中提取 250 组 DFT 吸附数据 ，涵盖多类纳米气敏材料与多种 SF₆ 分解产物气体。

三要素特征描述符体系 ： 将吸附体系拆解为 气体分子 / 掺杂体 / 基底材料 三部分，初始构建 25 个物理化学特征描述符（原子半径、电负性、d 带中心、带隙、电荷转移等）。

相关性驱动的特征筛选 ： 结合 Pearson + Spearman 相关分析，将特征数精简至 19 个高信息量描述符 ，避免冗余与过拟合。

多模型对比学习 ： 系统比较 SVR、GBR、GPR、XGBoost、MLP、KRR 六种模型在吸附距离 D 与吸附能 Ead 上的预测能力。

可解释性分析 ： 利用 SHAP 与 PDP（部分依赖图） ，定量揭示关键特征在模型决策中的真实物理意义。

核心创新在于 ：提出一种 跨材料、跨文献可迁移的机器学习特征描述符框架 ，并将“黑箱模型”转化为可解释的吸附机理认知工具。

PART 05

实验验证与性能

（基于文献数据与机器学习建模）

吸附距离 D 预测性能

最优模型： XGBoost

R² = 0.9194 ，MSE = 0.0703 Ų

吸附能 Ead 预测性能

最优模型： GBR

R² = 0.7863 ，MSE = 0.2768 eV²

关键特征（SHAP 分析）

吸附距离： 掺杂原子体积 Vd、电荷转移量 Qt 主导；

吸附能： 电荷转移 Qt、掺杂原子第一电离能 Im、基底相对质量 Ms 主导。

物理一致性 ： 模型给出的特征重要性与 DFT 吸附物理图像高度一致，验证了方法的可靠性。

PART 06

学术贡献

构建了 首个面向 SF₆ 分解产物气敏材料的统一 ML 特征描述符体系 ；

明确区分并量化了 掺杂体、基底与气体分子 在吸附过程中的相对贡献；

揭示了 电荷转移 Qt 是吸附距离与吸附能的共同核心因子 ；

为气敏材料从“经验设计”走向“数据驱动理性设计”提供了新范式。

PART 07

局限性与未来方向

数据仍依赖已发表 DFT 结果，极端体系样本相对有限；

当前预测对象为吸附行为，尚未直接关联传感器响应强度；

未来可进一步引入 实验数据、动态吸附过程与深度学习模型 ，实现性能端到端预测。

PART 08

总结

该工作通过机器学习特征描述符方法，将分散的 DFT 吸附研究整合为统一、可解释的预测框架，不仅显著提升了 SF₆ 分解产物气敏材料的筛选效率，也从数据层面深化了对吸附机理的理解。这为高性能气体传感材料的快速设计提供了坚实的方法学基础。

PART 09

图文赏析

图1 ：SF₆ 分解路径及气敏材料检测机理示意图。

图2 ：特征描述符 Pearson / Spearman 相关性分析与数据分布。

图3 ：机器学习整体工作流与特征工程框架。

图4–6 ：六种 ML 模型在吸附距离与吸附能预测中的性能对比。

图7 ：SHAP 与 PDP 分析揭示不同特征在吸附机理中的主导作用。