Heuristic Search Strategy for Transforming Microstructural Patterns to Optimal Copolymerization Recipes
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
Abstract Manipulation and optimization of copolymer microstructure for tailoring final properties is of great importance in macromolecular science and engineering. Uncovering the complexities of the interrelationships between copolymerization recipe and copolymer microstructure (a challenging field of study in its own right) is a multiobjective optimization problem, which has attracted a lot of attention in the last 10–15 years. In the present study, a powerful optimizer is developed based on the Non‐dominated Sorting Genetic Algorithm (NSGA‐II) for transforming desired microstructural copolymerization profiles, including molecular weight distribution and chemical composition distribution, back to optimal copolymerization recipes and operating conditions. The optimizer developed has the beneficial features of robust machine learning and multiobjective optimization based upon heuristic search strategies. The metallocene‐catalyzed ethylene/α‐olefin copolymerization is selected as a sufficiently complex system to challenge the proposed optimization tool. The developed computer code is used to explore copolymerization recipes (polymerization temperature and concentrations of ethylene, 1butene, cocatalyst, and hydrogen) needed to synthesize copolymers having desired microstructural features. Based on the results obtained, it is now possible to produce various grades or tailor‐make the copolymer structure by suggesting the “best” copolymerization recipe/conditions as reliably as possible.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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