Hydrogen Storage on Porous Carbon Adsorbents: Rediscovery by Nature-Derived Algorithms in Random Forest Machine Learning Model
Notice bibliographique
Résumé
Porous carbons as solid adsorbent materials possess effective porosity characteristics that are the most important factors for gas storage. The chemical activating routes facilitate hydrogen storage by adsorbing on the high surface area and microporous features of porous carbon-based adsorbents. The present research proposed to predict H2 storage using four nature-inspired algorithms applied in the random forest (RF) model. Various carbon-based adsorbents, chemical activating agents, ratios, micro-structural features, and operational parameters as input variables are applied in the ML model to predict H2 uptake (wt%). Particle swarm and gray wolf optimizations (PSO and GWO) in the RF model display accuracy in the train and test phases, with an R2 of ~0.98 and 0.91, respectively. Sensitivity analysis demonstrated the ranks for temperature, total pore volume, specific surface area, and micropore volume in first to fourth, with relevancy scores of 1 and 0.48. The feasibility of algorithms in training sizes 80 to 60% evaluated that RMSE and MAE achieved 0.6 to 1, and 0.38 to 0.52. This study contributes to the development of sustainable energy sources by providing a predictive model and insights into the design of porous carbon adsorbents for hydrogen storage. The use of nature-inspired algorithms in the model development process is also a novel approach that could be applied to other areas of materials science and engineering.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,000 | 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 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 ».