Based on machine learning model for prediction of CO2 adsorption of synthetic zeolite in two-step solid waste treatment
Notice bibliographique
Résumé
The rising environmental issues caused by carbon dioxide emissions and accumulation of industrial solid waste accelerate the development of carbon capture utilization and storage (CCUS), especially the technology using industrial solid waste as a raw material to prepare environmentally friendly and sustainable porous materials to capture CO2. This study developed four models including support vector regression(SVR), multivariate adaptive regression spline(Mars), random forest(RF), and gradient boosting machine(GBM) based on 762 CO2 adsorption datasets of zeolites synthesized from five different industrial solid waste materials to predict the CO2 adsorption capacity and analyze impact of various factors on CO2 adsorption performance during synthesis and adsorption processes. The results suggested that gradient boosting machine(GBM) and the support vector regression(SVR) have good accuracy and generalization performance. The R2 of the model reached 0.99 and 0.96 respectively, which is in good agreement with the laboratory data. In general, the specific surface area(S) and adsorption pressure(P) during the adsorption process of zeolite have a great influence on the final adsorption performance. The correlation between the specific surface area(S) and the hydrothermal reaction temperature(T2) is the largest, and its Pearson Correlation Coefficient is 0.61. This study paved a new approach for the accumulation treatment of industrial solid waste and low-carbon industry via statistical analysis and machine learning method, which is beneficial to environmental protection and sustainable development.
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 | 0,000 |
| 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 | 0,000 | 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 ».