Development of a Predictive Model to Correlate the Chemical Structure of Amines with Their Oxidative Degradation Rate in a Post-Combustion Amine-Based CO<sub>2</sub> Capture Process Using Multiple Linear Regression and Machine Learning Regression Approaches
Notice bibliographique
Résumé
flowing at a rate of 200 mL/min. The primary objective was to establish a correlation between the chemical structures of these amines and their susceptibilities to degradation. To assess this, the concentration of the amines at various time points was measured to determine their degradation rates. Results showed that secondary amines exhibited degradation rates higher than those of primary and tertiary amines. Amines with cyclic structures demonstrated lower oxidative degradation rates. Longer alkyl chain lengths decreased degradation rates in all amine types because of their electronic and steric hindrance properties. A higher number of hydroxyl groups increased the degradation rate by destabilizing the free radical. An increase in hydroxyl groups in nonsterically hindered amines increased the degradation rate by decreasing free radical stability. In contrast, for sterically hindered amines, an increase in hydroxyl groups decreased the degradation rate because the steric hindrance effect is now more dominant than the electron-withdrawing effect. An increase in the number of amino groups led to higher degradation rates due to the presence of more reactive sites for free radical formation. Amines with tert-alkyl groups exhibited higher degradation rates than those with straight chains. Moreover, branched alkyl groups located between amino and hydroxyl groups significantly increased the degradation rates. Two degradation models, a semiempirical statistical model and a CatBoost machine learning regression model, were developed to predict amine degradation rates based on their chemical structure and relevant properties. To train these models, a data set of 27 different amines was used, while another set of 3 amines was reserved for testing the model's predictive performance. The average absolute deviations (AAD) achieved were, respectively, 22.2 and 0.3%.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».