<scp> CO <sub>2</sub> </scp> capture by benzene‐based hypercrosslinked polymer adsorbent: Artificial neural network and response surface methodology
Notice bibliographique
Résumé
Abstract In this research, porous benzene‐based hypercrosslinked polymeric adsorbents with different morphological properties were synthesized through Friedel–Crafts alkylation reaction. The resulting samples were applied for CO 2 capture at different operational conditions. Two modelling approaches, including artificial neural network (radial basis function [RBF] and multi layer perceptron [MLP]) and response surface methodology (RSM), were employed to investigate the effect of independent parameters on adsorption capacity. A semi‐empirical quadratic model for adsorption capacity was presented based on RSM‐central composite design technique. Additionally, the optimal structure of RBF was determined with 200 neurons, and the optimal structure of MLP was determined with three hidden layers and 10, 8, and 7 neurons. The modelling results demonstrate the better prediction of MLP and RBF approaches than the RSM method with correlation coefficient values of 0.999, 0.989, and 0.931, respectively. Finally, process optimization was carried out using RSM optimization module and the optimized values of synthesis time, crosslinker ratio (formaldehyde dimethyl acetal [FDA]/benzene), adsorption time, pressure, and temperature were obtained at 10.11 h, 1, 220 s, 9 bar, and 55°C, respectively. The optimum value of CO 2 uptake capacity was obtained around 167 (mg/g).
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 | 0,000 |
| 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 | 0,001 | 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 ».