Predicting three phase (hydrate–liquid–vapour) equilibria of mixed hydrates in guest gas swapping: <scp>AI</scp>‐based approach versus physical modelling
Notice bibliographique
Résumé
Abstract Prior to investigating the guest gas replacement characteristics, the estimation of equilibrium condition for the coexisting hydrate–liquid–vapour (HLV) phases is crucial. For this, there are various studies which have reported the physical thermodynamic model for equilibrium estimation. In this contribution, a data‐driven formulation is developed as an alternative approach within the framework of artificial intelligence (AI) to predict the three‐phase equilibrium of binary and ternary mixed hydrates associated with guest swapping at diverse geological conditions. For this, we use the experimental data sets related to guest (pure and mixed CO2) replacement in hydrate structures with and without salts (i.e., single and multiple salts of NaCl, KCl, and CaCl2). Various training algorithms, namely Levenberg–Marquardt (LM), scaled conjugate gradient (SCG), Broyden–Fletcher–Goldfarb–Shanno (BFGS) quasi‐Newton, and Bayesian regularization (BR), are employed to formulate the artificial neural network (ANN) model. Performing a systematic comparison between them, we select the best option suited for the hydrate system. The best performing ANN model is compared with an existing physical thermodynamic model for predicting the equilibrium condition in pure water. It is observed that the ANN (BR) model consistently secures the lower percent absolute average relative deviation (i.e., %AARD <2%) than the latest physical model. Finally, the developed AI model is extended to predict the three‐phase HLV equilibrium in presence of salt solutions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».