Optimizing organic electrosynthesis through controlled voltage dosing and artificial intelligence
Notice bibliographique
Résumé
Organic electrosynthesis can transform the chemical industry by introducing electricity-driven processes that are more energy efficient and that can be easily integrated with renewable energy sources. However, their deployment is severely hindered by the difficulties of controlling selectivity and achieving a large energy conversion efficiency at high current density due to the low solubility of organic reactants in practical electrolytes. This control can be improved by carefully balancing the mass transport processes and electrocatalytic reaction rates at the electrode diffusion layer through pulsed electrochemical methods. In this study, we explore these methods in the context of the electrosynthesis of adiponitrile (ADN), the largest organic electrochemical process in industry. Systematically exploring voltage pulses in the timescale between 5 and 150 ms led to a 20% increase in production of ADN and a 250% increase in relative selectivity with respect to the state-of-the-art constant voltage process. Moreover, combining this systematic experimental investigation with artificial intelligence (AI) tools allowed us to rapidly discover drastically improved electrosynthetic conditions, reaching improvements of 30 and 325% in ADN production rates and selectivity, respectively. This powerful AI-enhanced experimental approach represents a paradigm shift in the design of electrified chemical transformations, which can accelerate the deployment of more sustainable electrochemical manufacturing processes.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».