Experimental investigations and developing multilayer neural network models for prediction of CO<sub>2</sub> solubility in aqueous MDEA/PZ and MEA/MDEA/PZ blends
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 In this research, a new set of experimental data for CO 2 solubility in aqueous blended amine solvents were investigated experimentally over the CO 2 partial pressure range from 8 to 100 kPa at 40 °C and were compared with the benchmark aqueous 30 wt.% MEA solution. This work developed two multilayer neural network models named models A and B, for predicting the CO 2 solubility in various aqueous blended amine solvents including 36 wt.% MDEA + 17 wt.% PZ, 24 wt.% MDEA + 26 wt.% PZ, and 6 wt.% MEA + 25 wt.% MDEA + 17 wt.% PZ. Models A and B were developed by using Levenberg–Marquardt back propagation algorithm with 427 and 301 of reliable experimental data sets gathered from the published data, respectively. The results indicate that the high accuracy prediction of the CO 2 solubility in Methyldiethanolamine/Piperazine (MDEA/PZ) blends could be obtained by the network developed by Tan‐sigmoid transfer function with two hidden layers consist of eight and four neurons, while the network developed by Tan‐sigmoid transfer function with three hidden layers consist of 20, 10, and five neurons provided the highest accuracy for predicting the CO 2 solubility in MEA/MDEA/PZ blends comparing to other model structures. The comparison results show that the neural network modeling provided more closer predictions to the experimental results than the simulator and other thermodynamic models when predicting the CO 2 equilibrium solubility in blended amine solvents. © 2021 Society of Chemical Industry and John Wiley & Sons, Ltd.
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 | 0,000 | 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 | 0,002 |
| 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) | 0,000 | 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 découle