A new intelligent prediction model using machine learning linked to grey wolf optimizer algorithm for <scp>O<sub>2</sub></scp>/<scp>N<sub>2</sub></scp> adsorption
Notice bibliographique
Résumé
Abstract To address the deficiency and predict the adsorption performance in different adsorbents, this study proposes a new optimizer linked to the machine learning (ML) model considering the performance of the adsorption process. The main goal is to predict adsorption under different process conditions with different adsorbents and provide a unified framework, leading to the prediction of adsorption phenomena instead of traditional isotherm models. This research focuses on predicting the adsorbed amount of O 2 and N 2 on several carbon‐based adsorbents using the ML approach linked to the grey wolf optimizer algorithm (GWO). Experimental isotherm data (dataset 1344) on adsorbent type, temperature, pressure, gas type, and adsorption capacity of the process adsorption were used as input and output datasets. The best algorithm was Broyden–Fletcher–Goldfarb–Shanno (BFGS), a two‐layer network from a multi‐layer perceptron (MLP) method applying 28 neurons. The new MLP‐GWO network would have the best mean square error (MSE) efficiencies of 0.00037, while the R 2 ( r ‐squared) was 0.9934. The new ML‐generated model can accurately predict the adsorption process behaviour of different carbon‐based adsorbents under various process conditions. The results of this research have the potential to assist a wide range of gas separation industries.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».