Catalyst design using artificial intelligence: <scp>SO<sub>2</sub></scp> to <scp>SO<sub>3</sub></scp> case study
Notice bibliographique
Résumé
Abstract Catalyst design is key to the improvement of chemical process efficiency. The required work for the development of new catalysts can be supported through the proper application of artificial intelligence to identify optimal compositions. A generic methodology for the application of machine learning to catalysis research is therefore outlined in this work. The catalytic oxidation of SO 2 was used to exemplify the first iteration of this methodology. 1784 data points from 31 published papers were compiled into a databank. The inlet SO 2 concentration ranged from 0 to 66 mol%. An artificial neural network (ANN) was trained on the databank in order to predict SO 2 conversion based on the catalyst composition and the reactor operating conditions (temperature, pressure, catalyst mass: volumetric flowrate ratio ( w/v ), and feed composition). The model achieved a root‐mean‐square error of 6.6%. A preliminary screening step identified 3:1 V‐Mg/SiO 2 catalysts as exhibiting high conversion at 648 K. A multi‐objective optimization was then performed on a single catalyst to identify solutions exhibiting high conversion and high productivity at 648 K while minimizing the catalyst cost. The optimal solution was predicted to be a 2.9 wt% V/0.2 wt% Mg/SiO 2 catalyst operating at a w/v of 7.49 kg‐cat · s/m 3 STP, achieving 100% SO 2 conversion with a material cost among the bottom third of cost values. Artificial intelligence can then be employed to extract useful knowledge from published catalytic data and orient future search for novel catalyst development.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».