Development of the CO<sub>2</sub> Adsorption Model on Porous Adsorbent Materials Using Machine Learning Algorithms
Notice bibliographique
Résumé
Porous adsorbents have common characteristics, such as high porosity and a large specific surface area. These characteristics, attributed to the internal structure of the material, significantly affect their adsorption performance. In this research study, we created a data set and collected data points from porous adsorbents (2789) from 21 published papers, including carbon-based, porous polymers, metal–organic frameworks (MOFs), and zeolites, to understand their characteristics for CO 2 adsorption. Different machine learning (ML) algorithms, such as NN, MLP-GWO, XGBoost, RF, DT, and SVM, have been applied to display the CO 2 adsorption performance as a function of characteristics and adsorption isotherm parameters. XGBoost was selected as the best ML algorithm due to its highest accuracy ( R 2 = 0.9980; MSE = 0.0001). The predicted results revealed that the adsorption pressure parameter is the most effective in all of the mentioned porous adsorbents. With regard to materials type, while carbon-based materials require higher pressures for a more effective CO 2 adsorption, MOFs exhibit a higher potential for adsorbing CO 2 under lower pressure conditions. The study also revealed that carbon-based adsorbents, zeolites, and porous polymers with smaller pore diameters demonstrate a high level of CO 2 uptake. In contrast, the adsorption performance of MOFs does not show a consistent trend with respect to pore sizes. Also, in all adsorbents, the effect of a pore size smaller than 1 nm on more CO 2 adsorption was evident.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».