Extensive data analysis and modelling of carbon dioxide solubility in ionic liquids using chemical structure-based ensemble learning approaches
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 significant rise in carbon dioxide (CO 2 ) emission due to industrial growth is a major global challenge. As a result, there is a need to implement various techniques to reduce and regulate this phenomenon. One such technique involves the utilization of ionic liquids (ILs) as solvents in CO 2 capturing and separation processes, which is already commonly practiced. In this study four advanced intelligent models, Extreme Gradient Boosting (XGBoost), Gradient Boosting (GBoost), Light Gradient Boosting Machine (LightGBM), and Categorical Boosting (CatBoost) have been proposed to predict the solubility of CO 2 in 160 different ILs based on factors such as temperature, pressure, and the chemical structure of the ILs. Findings indicate that the XGBoost model is the most accurate among the four models, with the root mean square error (RMSE) and coefficient of determination (R 2 ) values of 0.014 and 0.9967, respectively. Moreover, the results reveal that increasing pressure, decreasing temperature, and lengthening the alkyl chain all increase the solubility of CO 2 in ILs. Furthermore, pressure and the number of –CH 2 substructure in ILs have the most significant impact on the CO 2 solubility in ILs, respectively. To ensure the XGBoost model's reliability, the model's data has been assessed using the leverage technique. The results show that 92.44 % of the data fell within the valid area, which is a substantial percentage and indicates the model's high reliability. The findings of this study will assist in designing and fine-tuning the chemical structure of ionic liquids specifically for CO 2 capture purposes.
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 | 0,001 |
| 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