Insights into predicting equilibrium conditions of clathrate hydrates of methane + water-soluble hydrate former
Notice bibliographique
Résumé
• Equilibrium conditions of clathrate hydrates of CH 4 and formers are determined. • Inputs involve molecular descriptors, mole fraction and pressure. • Data splitting uses a former-based approach, not traditional sample-based splits. • The developed ML approaches demonstrate acceptable prediction accuracy. • Shapley Additive Explanations (SHAP) approach is used to interpret results. This study aims to improve the prediction of equilibrium conditions in methane hydrate systems by incorporating diverse water-soluble hydrate formers and applying advanced machine learning techniques. Methane hydrates, which naturally form under high pressure and low temperature, can be more efficiently formed or dissociated by altering thermodynamic conditions using these hydrate formers. Accurate prediction of these conditions is crucial for optimizing gas storage and energy applications. In this research, molecular descriptors and operational parameters, such as mole fraction and pressure, are used as input variables to predict equilibrium temperature. Machine learning methods, including Decision Trees (DT), Random Forests (RF), Support Vector Machines (SVM), and Multi-Layer Perceptron (MLP), were employed with a novel data-splitting approach based on hydrate formers rather than traditional sample-based methods. Among these models, the RF achieved the highest performance, with a coefficient of determination (R 2 ) of 0.930, a root mean square error (RMSE) of 1.71, and an average absolute relative deviation (AARD) of 0.48%. Feature selection, preprocessing, and Shapley Additive Explanations (SHAP) provided valuable insights into the influence of specific variables on model predictions. Additionally, a supplementary examination, termed the reduced model, highlights the critical role of proper feature selection, with certain features regarded as less important yet essential for the functionality of distance-based models, particularly for models like SVM and MLP. This work advances methane hydrate research by offering a more accurate and interpretable framework for predicting hydrate equilibrium, addressing key gaps in previous studies, and extending its applicability to a broader range of systems. Moreover, the introduction of a former-based data-splitting method improves generalization across different hydrate formers, while the use of SHAP values for model interpretability offers deeper insights into the relationships between molecular descriptors and hydrate equilibrium conditions. This study paves the way for improved selection of hydrate formers in hydrate systems.
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) | 0,003 | 0,001 |
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 ».