Robust design of catalysts using stochastic nonlinear optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Computational methods for designing an optimal catalyst have recently been gaining more popularity in the fields of catalysis and reaction engineering of energy systems. However, in general, the problem in these approaches is that uncertainties present in process models should be handled correctly to achieve a robust design. To find the optimal design under these uncertainties, a stochastic optimization method can be employed. In this work, the optimal properties of a catalyst for ammonia decomposition to produce hydrogen are investigated, and uncertainties associated with the reactions and their parameters are modeled as exogenous uncertain variables which follow known probability distributions. The goal of this work is to find the optimal binding energies of the catalyst that maximize conversion of ammonia in a microreactor. Our stochastic optimization problem is nonlinear, and involves the expectation operator as well as integration in the objective function. To tackle this complex system, the expectation of conversion based on a sample average approximation (SAA) method is evaluated. However, the exponential increase in the number of samples to be considered with the number of uncertain parameters lead to severe computational problems when using all possible combinations of the uncertain parameters. To solve this, linearity analysis, together with partial least squares, is implemented to reduce the number of uncertain parameters. In the optimization step, a particle swarm optimization (PSO) is employed. The results indicate that the stochastic optimum shows higher conversion and different optimal binding energies than the deterministic optimum, and is a more robust solution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle