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
Notice bibliographique
Résumé
Abstract In this research, a new set of experimental data for CO2 solubility in aqueous blended amine solvents were investigated experimentally over the CO2 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 CO2 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 CO2 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 CO2 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 CO2 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».