Applied Artificial Neural Network for Hydrogen Sulfide Solubility in Natural Gas Purification
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Solubility of hydrogen sulfide (H 2 S) in 46 single and blended physical absorbents, amines, ionic liquids, and hybrid absorbents of amines + ionic liquids and amines + physical absorbents was successfully predicted based on artificial neural networks (ANNs). Three neural network algorithms of Levenberg–Marquardt (LM), Bayesian regularization (BR), and scaled conjugate gradient (SCG) were applied for architecting the ANN models. The results showed that both the number of hidden neurons and the prediction algorithm affected the prediction of H 2 S solubility. Based on the mean square error (MSE) and determination coefficient ( R 2 ), the most attractive model was the LM-ANN model with 17 hidden neurons. As a result, very satisfactory prediction performance (for the testing data set) with an MSE of 0.0014 and an R 2 of 0.9817 was obtained from the developed LM-ANN model. Additionally, a parity chart confirmed that the predicted solubility of H 2 S well aligned with the experimental data. To effectively absorb H 2 S and maintain high solubility of H 2 S, the absorbent should be well complied with the operating pressure. For a low-pressure range of less than 100 kPa, amines are very attractive. As the pressure elevated to 100–1000 kPa, amines and hybrid amine + physical absorbents are suggested. Lastly, at a high pressure over 1000 kPa, physical absorbents and ionic liquids are recommended.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».