Experimental validation of an adsorbent-agnostic artificial neural network (ANN) framework for the design and optimization of cyclic adsorption processes
Notice bibliographique
Résumé
The efficacy of an adsorbent agnostic machine-learning surrogate model for rapid design and optimization of a Skarstrom cycle vacuum swing adsorption (VSA) process is experimentally validated. The surrogate model is trained to predict the process performance using adsorbent features that include hypothetical Langmuir adsorption isotherm parameters, particle density, porosity and bed voidage, and process variables such as pressure, step duration and feed velocity. The training data was generated from a detailed process model for 20,000 unique combinations of the training variables. The model shows high accuracy of R2adj>0.99 for predicting key performance parameters such as product purity, recovery and productivity. The ability of this surrogate to predict the experimental performance for the purification of O2 from the air on two adsorbents, namely 13X and LiX zeolites, was studied. Two separate multi-objective optimization studies, to maximize purity and recovery, and to maximize productivity and purity were performed. For these optimization studies, the volumetrically measured isotherms of N2 and O2 were used as inputs to the surrogate model. Note that these isotherms were not a part of the dataset used to train the model. Nine points were chosen from the Parteo curves and the corresponding decision variables were used as set-points in a two-column lab-scale rig. The average difference between the calculated and experimentally measured purity, recovery and productivity was 3%, 5% and 9%, respectively. This study provides the necessary confidence to use surrogate-based process models for adsorbent screening and adsorption process optimization.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 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 ».