Catalyst development for the tri‐reforming of methane (<scp>TRM</scp>) process by integrated singular machine learning models
Notice bibliographique
Résumé
Abstract Tri‐reforming of methane (TRM) is a promising technology for the simultaneous production of hydrogen and syngas with high energy efficiency (above 70%). However, catalyst design for TRM is challenging due to complex reaction kinetics and the need for catalyst materials with great stability and activity. Machine learning, particularly artificial neural networks (ANNs), has emerged as a powerful tool in catalyst development for the TRM process. More than 6000 data points were selected to build individual models for each reaction and later coupled into an ensembled model used to make predictions considering TRM experimental conditions. The reaction temperature input parameter was found to be the one with major relative importance (61.4%), contributing the most to changes in the CH 4 conversion %. Dry reforming of methane (DRM), steam reforming of methane (SRM), and partial oxidation of methane (POX) models observed errors (RMSE) of 3.44%, 2.20%, 1.61%, respectively, with the ensembled model having a maximum error of 4.48%. The newly devised artificial neural network (ANN) model demonstrates remarkable capability in accurately predicting CH 4 conversion for novel catalyst formulations in the TRM process, exhibiting minimal error deviation.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».