Ensemble Model Approach for Predicting the Yield of Dehydrogenation Products during the Oxidative Dehydrogenation of <i>n</i>-Butane
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Efficient and selective oxidative dehydrogenation (ODH) catalysts are crucial to advance the production of valuable petrochemicals. In this study, we leverage the power of machine learning to predict dehydrogenation (DH) product yield and unravel the factors influencing the product distribution. A comprehensive data set obtained from experiments conducted in a fixed-bed reactor under varying temperatures, feed ratios (O 2 / n -butane), and metal oxide loadings (Ni, Fe, Co, Bi, Mo, W, Zn, and Mn) on an aluminum oxide support served as the basis for model development. Three supervised machine learning models, Boosted Tree (BT), Extreme Gradient Boosting Linear (XGBL), and Support Vector Machine Radial (SVMR), were evaluated. The ensemble technique of the three models showed remarkable accuracy, with an RMSE of 1.65 and MAE of 1.14 on the test data set, and it demonstrated robust generalization capabilities by capturing 87% of the variation in DH yield. In the feature importance analysis of the selected models, Mo, Co, Ni, and W emerged as critical factors influencing the DH yield. The practical significance of these findings lies in their potential to revolutionize catalysis research and industrial applications. The ability of the ensemble model to predict DH yields opens new avenues for optimizing DH products and designing more advanced catalysts. By providing essential insights into the influential variables governing the ODH reactions, researchers can make informed decisions to achieve higher yields and efficiencies.
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 ».