Analysis of Mass Transfer Performance of Monoethanolamine-Based CO<sub>2</sub> Absorption in a Packed Column Using Artificial Neural Networks
Notice bibliographique
Résumé
Exact and reliable estimation of mass transfer performance is very important for the design, simulation, and optimization of CO 2 absorption in a packed column. In this study, two types of artificial neural networks (ANNs), namely back-propagation neural network and radial basis function network, were applied to predict the mass-transfer performance of CO 2 absorption into aqueous monoethanolamine (MEA) in packed columns (containing Berl saddles, Pall rings, IMTP random packing, and 4A Gempack, Sulzer DX structured packing, respectively) from input variables. These variables were inert gas flow rate, liquid flow rate, solution concentration, liquid CO 2 loading, CO 2 mole fraction, temperature, and total packing area, which were considered to predict the targeted output mass transfer variables. The predicted results from ANN were validated against experimental data as well as compared with results from well-known correlations in terms of the volumetric mass flux, CO 2 mole fraction, and temperature profiles along the height of the packed column. The comparisons between the predicted and experimental results showed that the proposed ANN models performed very well in predicting mass transfer performance of CO 2 absorption into aqueous MEA in a packed column.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».