Exploring the landscape of machine learning-aided research in biofuels and biodiesel: A bibliometric analysis
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
This bibliometric analysis explores machine learning applications in biofuels and biodiesel research using Elsevier's Scopus database from 2013 to 2023. The research employs co-authorship, co-occurrence, citation, and co-citation analyses with fractional counting. Results indicate a significant rise in publications. Prominent funding agencies along this field include the National Natural Science Foundation of China, Brazil's Conselho Nacional de Desenvolvimento Científico e Tecnológico and the U.S. Department of Energy. Co-authorship analysis reveals contributions from 268 authors across 951 organizations in 71 countries, with strong collaboration in Asia. Citation analysis shows that 95% of articles have received at least one citation, with China and the United States leading in citation counts. This study highlights the interdisciplinary and collaborative nature of machine learning research in biofuels and biodiesel, driven by substantial contributions from key funding bodies and researchers worldwide. • A sharp increase in machine learning-aided biofuel research is observed post-2020. • Key themes include machine learning, biofuels, biodiesel, and specific ML methods. • China and the U.S. lead in funding for machine learning-biofuels and biodiesel research. • Strong international collaboration is evident, particularly in Asian countries.
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 | 0,017 | 0,048 |
| 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