Part 4b: Application of data modeling and analysis techniques to the CO<sub>2</sub>capture process system
Notice bibliographique
Résumé
The extensive literature review in this article showed that the research for improving efficiency of the CO2 capture process has focused on studying the features and performance of various aqueous amine solvents. Since improving efficiency of the CO2 capture process requires a good understanding of the intricate relationships among the key processes, the ultimate aim of our study is to enhance system efficiency by first explicating the relationships among the key parameters of the process system. The study presented in this article has two objectives: to identify and determine the significance of the process parameters that have influence on the performance of the CO2 capture process and to model the relationships among the process parameters in an attempt to explore the nature of their relationships. Our approach is to apply multiple data mining techniques to the 3-year operational data collected from the amine-based postcombustion CO2 capture process system at the International Test Centre of CO2 Capture located in Regina, Saskatchewan, Canada. The three data mining techniques adopted are statistical analysis, artificial neural network modeling combined with sensitivity analysis and adaptive network-based fuzzy inference system modeling. The data modeling based on the three methods was conducted and the strengths and weaknesses of each method was addressed. It was found that the adaptive network-based fuzzy inference system modeling was the most satisfactory method because it generated the interpretative models with high prediction accuracies. This article presents the process of data modeling and compares the results from each method.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».