The Role of Transition Metals on CeO<sub>2</sub>Supported for CO<sub>2</sub>Adsorption by DFT and Machine Learning Analysis
Notice bibliographique
Résumé
Catalyst design is a field where machine learning (ML) algorithms have found many useful applications using atomistic simulation data sets. Atomistic simulation of CO 2 adsorption energy using several transition metals on ceria oxide (CeO 2 ) catalysts is the subject of our research. The density functional theory (DFT) calculation was used, and its results were applied as a data set to train several ML algorithms. Gibbs free energy (Δ G ) was simulated for all TMs such as Ni, Fe, Cu, Co, Mo, Ru, Rh, Pd, Ag, Pt, Zr, and Ti and used as the goal of CO 2 adsorption prediction using ML algorithms. The XGBoost algorithm provided satisfactory predictions of Δ G using different transition metals and bond energy at different adsorption temperatures on the catalysts. The effective role of Cu, Pt, Fe, and Ni in all temperature ranges regarding the increase of CO 2 adsorption energy was evident. The best CO 2 adsorption efficiency will be achieved by Ni at temperatures below 300 K and Cu at temperatures over 300 K. Evaluation of new catalysts using prediction findings and correlations between complex DFT simulation parameters demonstrates the potential of ML as a powerful tool for industry 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 | 0,005 | 0,002 |
| 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 | 0,001 | 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 ».