Machine learning-driven optimization for sustainable CO2-to-methanol conversion through catalytic hydrogenation
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».