Machine learning-driven optimization for sustainable CO2-to-methanol conversion through catalytic hydrogenation
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
Growing concerns about greenhouse gas emissions have accelerated research into converting CO 2 into valuable products like methanol. Catalytic hydrogenation, utilizing a catalyst in a thermochemical process, offers a promising solution for reducing atmospheric CO 2 and combating climate change. However, optimizing operating conditions and selecting suitable catalysts for CO 2 to methanol conversion remains challenging due to the complex interplay between catalyst properties and reaction performance. This research leveraged machine learning (ML) to model CO 2 to methanol conversion using a comprehensive experimental database. ML models were developed to predict CO 2 conversion efficiency, methanol selectivity, and CO selectivity, facilitating process optimization, techno-economic analysis, and life cycle assessment (LCA). The gradient boosting regression model emerged as the most accurate, with coefficients of determination (R 2 > 0.86) and low error metrics (RMSE < 9.99, MAE < 5.99). De novo predictions demonstrated an acceptable linear relationship with the completely unseen dataset. Feature importance analysis identified temperature and gas hourly space velocity (GHSV) as the most significant descriptors. The optimal conditions for maximum CO 2 conversion efficiency and methanol selectivity were identified as temperatures between 330 and 370 °C, a pressure of 50 bar, and a GHSV of 6,500–14,000 mL/g.h. The techno-economic analysis highlighted H 2 purchase price, methanol selling price, and CO 2 feedstock costs as critical economic factors, with a payback period of 4.6 years. The LCA demonstrated a 270 % reduction in carbon emissions through catalytic hydrogenation of CO 2 to methanol. This study underscored the importance of using sustainable H 2 and electricity sources to enhance the economic and environmental benefits of the process.
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 | 0,001 | 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) | 0,001 | 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 découle