MétaCan
Menu
Retour à la cohorte
Enregistrement W4407292195 · doi:10.1038/s41598-025-87495-6

White-box methodologies for achieving robust correlations in hydrogen storage with metal-organic frameworks

2025· article· en· W4407292195 sur OpenAlexaff
Arefeh Naghizadeh, Fahimeh Hadavimoghaddam, Saeid Atashrouz, Ali Abedi, Meriem Essakhraoui, Ahmad Mohaddespour, Abdolhossein Hemmati‐Sarapardeh

Notice bibliographique

RevueScientific Reports · 2025
Typearticle
Langueen
DomaineChemistry
ThématiqueMetal-Organic Frameworks: Synthesis and Applications
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPearson product-moment correlation coefficientMean squared errorCorrelation coefficientHydrogen storageGenetic programmingLinear regressionMetal-organic frameworkSpearman's rank correlation coefficientWhite boxComputer scienceData miningStatisticsMathematicsHydrogenChemistryMachine learning

Résumé

récupéré en direct d'OpenAlex

Hydrogen is recognized as a clean energy replacement for non-renewable fossil fuels, and the utilization of metal-organic frameworks (MOFs) for hydrogen storage has gained considerable interest in recent years. In this study, hydrogen storage in MOFs was estimated using white-box methods, namely group method of data handling (GMDH), genetic programming (GP), and gene expression programming (GEP), which are robust soft-computing methods known for generating innovative correlations. To this end, temperature, pressure, pore volume, and surface area were implemented as input parameters for constructing these robust correlations. After that, the superiority of the established correlations was demonstrated through multiple statistical and graphical error assessment. The results indicated, the GMDH model demonstrates the highest accuracy with root mean square error (RMSE), and mean absolute error (MAE) values of 0.410 and 0.307, respectively. However, the GEP model’s accuracy was comparable to that of the GMDH model. In addition, sensitivity assessment showed that the pore volume and the pressure exhibit the strongest linear and non-linear relationships, respectively, with the H 2 storage in MOFs. This was demonstrated by a Pearson correlation coefficient of 0.5 and a Spearman correlation coefficient of 0.56, respectively. Furthermore, temperature had a minimal negative impact on the H 2 storage in MOFs according to Pearson, Spearman, and Kendall coefficients. Finally, to confirm the findings of the GMDH model, the leverage approach was applied, demonstrating that 96% of the data falls within the acceptable region, confirming the statistical reliability of the developed models.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,282
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetMetal-Organic Frameworks: Synthesis and ApplicationsTravaux en français237 207