A review of the application of Density Functional Theory and machine learning for oxidative coupling of methane reaction for ethylene production
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The oxidative coupling of methane (OCM) is a reaction with a promise to provide a gainful means of utilizing an abundant greenhouse gas, methane, to produce ethylene; one of the world’s most important chemicals is challenged by the co-production of carbon dioxide, another greenhouse gas. The need to find efficient means of enhancing the reaction with a yield of the desirable C2 product and the reduction in the co-production of COx product continues to be the focus of increased research over the past two decades. The advent of modern computational techniques, including Density Functional Theory (DFT), and data analytical techniques, such as Machine Learning (ML), have inspired new ways of generating data and drawing intuition on the ways to improve the efficacy of the OCM reaction. This study focuses on highlighting the innovations carried out in the study of the OCM reaction over the last 22 years: the reaction mechanism, kinetics, and catalytic design. Despite the concerted efforts to model and design new catalysts, the development of improved catalysts that are selective for C2 yields higher than 30% at low temperatures continues to be a bottleneck in the process. The application of ML and DFT in OCM is poised to provide a means to predict, design, and develop new catalysts that will enhance the effectiveness of the reaction and the quality of the products. Both techniques provide opportunities to improve and ameliorate challenges bedeviling the OCM reaction, including the high activation energy, low C2 yield, and catalyst instability/deactivation.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 découle