一种基于机器学习的气相色谱异构体分离条件预测方法

本发明公开了一种基于机器学习的气相色谱异构体分离条件预测方法，适用于有机化学和石化工程领域。通过引入几何增强图同构网络和门控循环单元构建的多模态模型，本方法能够快速预测不同升温曲线下各种分子的气相色谱保留时间。在测试集上，该模型的R<Sup>2</Sup>值达到0.995，优于传统的机器学习方法。利用此模型，可以快速推荐位置异构体和顺反异构体的最佳色谱分离条件，确保有效峰出现并减少手动试错，显著提高分析效率。此外，该模型还可以研究不同异构体的分离难度，帮助探索分子结构与色谱行为之间的关系。本发明的方法显著提升了气相色谱分离的效率和准确性，避免了传统实验中的大量试错，节约了时间和实验成本。