Towards estimation of CO2 adsorption on highly porous MOF-based adsorbents using gaussian process regression approach
Notice bibliographique
Résumé
Abstract In recent years, new developments in controlling greenhouse gas emissions have been implemented to address the global climate conservation concern. Indeed, the earth's average temperature is being increased mainly due to burning fossil fuels, explicitly releasing high amounts of CO 2 into the atmosphere. Therefore, effective capture techniques are needed to reduce the concentration of CO 2 . In this regard, metal organic frameworks (MOFs) have been known as the promising materials for CO 2 adsorption. Hence, study on the impact of the adsorption conditions along with the MOFs structural properties on their ability in the CO 2 adsorption will open new doors for their further application in CO 2 separation technologies as well. However, the high cost of the corresponding experimental study together with the instrument's error, render the use of computational methods quite beneficial. Therefore, the present study proposes a Gaussian process regression model with four kernel functions to estimate the CO 2 adsorption in terms of pressure, temperature, pore volume, and surface area of MOFs. In doing so, 506 CO 2 uptake values in the literature have been collected and assessed. The proposed GPR models performed very well in which the exponential kernel function, was shown as the best predictive tool with R 2 value of 1. Also, the sensitivity analysis was employed to investigate the effectiveness of input variables on the CO 2 adsorption, through which it was determined that pressure is the most determining parameter. As the main result, the accurate estimate of CO 2 adsorption by different MOFs is obtained by briefly employing the artificial intelligence concept tools.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».