Data-Driven Strategies for Green Methanol Process Parameter Optimization Using Machine Learning
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
Technological advancements in Machine learning, artificial intelligence (AI), and data science are bringing industries to the era of the fourth industrial revolution. The application of machine learning in chemical engineering is in the domains of process modeling, optimization, and predictive analysis. Traditional process modeling relies heavily on first-principal methods, which, while accurate, are computationally demanding and are non-flexible for variable process conditions. Green methanol produced through the power-to-liquid (PtL) process has gained significant popularity due to its various applications in household items, as a raw material for manufacturing valuable chemicals, and as a fuel both in blend or pure form. In today's competitive and uncertain chemical industry market, fast and accurate models are required to predict the plant output. This work aims to develop a surrogate model of the methanol production process based on the data-driven technique and using machine learning to predict energy requirements, final product purity, and methanol production rate. The effect of the sampling size and sampling technique (mainly Latin-Hypercube Sampling - LHS, Monte Carlo, and SOBOL) on the performance of the surrogate model is evaluated. A comparative analysis of different machine learning (e.g., XG-Boost, Random Forest, Decision Tree, Support Vector Regression) and Deep learning models (e.g., Artificial Neural Networks) is conducted using metrics such as coefficient of determination (R²), mean-squared error (MSE), and mean-absolute-error (MAE). Additionally, this work explores the use of these trained machine learning models in optimizing process conditions to maximize production rate, enhance product purity, and reduce energy requirements.
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 | 0,000 | 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 | 0,001 |
| 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