数据集概述
本数据集支持MXene催化水煤气变换反应的机器学习研究，包含九十二种MXene的密度泛函理论（DFT）衍生活化能数据及结构理化描述符，提供多种机器学习模型实现与特征重要性分析，旨在量化Brønsted–Evans–Polanyi（BEP）关系，指导高效MXene催化剂设计。
文件详解
- MXene Activation Energies and Reactant Properties for Catalysis Analysis.xlsx：Excel格式数据文件，包含九十二种MXene的催化特性数据，涵盖单/双过渡金属组成的结构与理化描述符，以及水煤气变换过程中四个关键反应的DFT衍生活化能。
- Machine Learning Models for Predicting Activation Energies of MXenes.ipynb：Python笔记本文件，实现随机森林、梯度提升、人工神经网络等多种机器学习算法，用于活化能预测，包含数据处理、模型训练测试及特征重要性分析。
- Feature importance.xls：Excel格式文件，记录特征重要性分析结果，显示反应能和LogP为最具预测性的特征。
- Machine_Learning_Models_for_Predicting_Activation_Energies_of_MXenes__V2.ipynb：Python笔记本文件的第二版，优化机器学习模型实现，聚焦随机森林回归器（RFR）的最佳性能验证。
适用场景
- 催化材料研究：指导高效MXene基催化剂的设计与开发
- 机器学习应用：验证不同算法在催化反应活化能预测中的性能
- 反应动力学分析：量化Brønsted–Evans–Polanyi关系，关联催化反应的热力学与动力学
- 材料科学数据分析：探索MXene结构理化性质与催化活性的关联规律
