Predictive Modeling of Ionic Liquids CO2 Capture using Machine Learning and Quantum Chemical Descriptors

Maulana Ragil Zakariah, Dr. Aulia Sukma Hutama, S.Si., M.Si.

2026 | Skripsi | KIMIA

Meskipun menjanjikan untuk penangkapan CO2, penyaringan eksperimental jutaan kombinasi kation-anion tidak praktis. Studi ini menggunakan pembelajaran mesin untuk memprediksi kelarutan CO2 dengan mengintegrasikan deskriptor kimia kuantum dengan parameter operasional. Sebuah dataset yang terdiri dari 11.256 pengukuran kelarutan CO2 untuk 113 cairan ionik (298–373 K, 0,1–22.330 kPa) dikumpulkan dari literatur. Deskriptor kuantum (HOMO, LUMO, energi elektronik, momen dipol) dihitung pada B3LYP/6-31G(d,p) untuk 79 komponen cairan ionik. Empat algoritma dilatih: Random Forest, Gradient Boosting, Neural Network, dan Ridge Regression.

Random Forest mencapai kinerja tertinggi (R2 = 0,9853, MAE = 0,0167 mol CO2/mol IL). Analisis kepentingan fitur mengungkapkan tekanan dan suhu mendominasi kelarutan, 15–45 kali lebih berpengaruh daripada deskriptor kuantum, sementara energi elektronik anion membedakan antara cairan ionik. Model ini memungkinkan penyaringan komputasi dalam hitungan milidetik dibandingkan dengan eksperimen yang memakan waktu berminggu-minggu. Penyaringan ekstrapolatif memprediksi [BMIM][Laurat] mencapai kelarutan CO2 24–33% lebih tinggi daripada [BMIM][Oleat], menunjukkan kegunaan kerangka kerja untuk desain rasional cairan ionik untuk penangkapan karbon.

Though they are promising for CO2 capture, experimental screening of millions of cation–anion combinations is impractical. This study employs machine learning to predict CO2 solubility by integrating quantum chemical descriptors with operational parameters. A dataset of 11,256 CO2 solubility measurements for 113 ionic liquids (298–373 K, 0.1–22,330 kPa) was compiled from literature. Quantum descriptors (HOMO, LUMO, electronic energy, dipole moment) were calculated at B3LYP/6-31G(d,p) for 79 ionic liquid components. Four algorithms were trained: Random Forest, Gradient Boosting, Neural Network, and Ridge Regression.

Random Forest achieved the highest performance (R2 = 0.9853, MAE = 0.0167 mol CO2/mol IL). Feature importance analysis revealed pressure and temperature dominate solubility, being 15–45 times more influential than quantum descriptors, whilst anion electronic energy differentiates among ionic liquids. The model enables computational screening in milliseconds versus weeks of experiments. Extrapolative screening predicted [BMIM][Laurate] achieves 24–33% higher CO2 solubility than [BMIM][Oleate], demonstrating the framework's utility for rational design of ionic liquids for carbon capture.

Kata Kunci : CO2 solubility, ionic liquids, machine learning, quantum chemical descriptors