Analysis of the Descriptors for the Oxidative Coupling of Methane Reaction, Using Varying Machine Learning Approaches
Notice bibliographique
Résumé
The fusion of catalytic and electronic properties, coupled with empirical data, provides enriched perspectives into catalyst evaluation and design, thus propelling advancement and innovation in the domain of heterogeneous catalytic reactions, including the oxidative coupling of methane (OCM) reaction. Comparative assessment of various machine learning methodologies on OCM reaction datasets reveals that the Random Forest regression (RFR) model excels in C2H4 and C2H6 combined yield (C2y) predictive accuracy, boasting an average R2 value of 0.98. The hierarchy of modeling performance stands as follows: RFR > XGBR > SVR > DNN. The MSE and MAE metrics of the RFR models were observed to be lower compared to alternative models, ranging from 0.12 to 9.03 for MSE and 0.21 to 2.02 for MAE. Model accuracy follows the order of C2H6y > C2H4y > C2y > CO2y > CH4_conv (methane conversion). When examining the influence of model features, C2y increases proportionally with an augmentation in dataset attributes, including the quantity of alkali/alkali-earth metal moles in the catalyst (13.69%), the atomic number (6.24%) of the catalyst promoter, and the Fermi energy of the metal, with a less pronounced impact compared to the case of temperature (33.70%). This suggests a highly nonlinear correlation between combined ethylene and ethane yield and temperature. Other factors, such as the bandgap of the active metal oxide and the support, as well as the Fermi energy of the catalyst support, were observed to have a relatively modest effect on the predictive models for combined ethylene and ethane yield and methane conversion.
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 | 0,001 |
| 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 ».