Predicting hydrogen production from formic acid dehydrogenation using smart connectionist models
Notice bibliographique
Résumé
Hydrogen is a promising clean energy source that can be a promising alternative to fossil fuels without toxic emissions. It can be generated from formic acid (FA) through an FA dehydrogenation reaction using an active catalyst. Activated carbon-supported palladium (Pd/C) catalyst has superior activity properties for FA dehydrogenation and can be reused after deactivation. This study focuses on predicting the FA conversion to H 2 (%) in the presence of Pd/C using machine learning techniques and experimental data (1544 data points). Six different machine learning algorithms are employed, including random forest (RF), extremely randomized trees (ET), decision tree (DT), K nearest neighbors (KNN), support vector machine (SVM), and linear regression (LR). Temperature, time, FA concentration, catalyst size, catalyst weight, sodium formate (SF) concentration, and solution volume are considered as the input data, while the FA conversion to H 2 (%) is the target value. Based on the train and test outcomes, the ET is the most accurate model for the prediction of FA conversion to H 2 (%), and its accuracy is assessed by root mean squared error (RMSE), R-squared (R 2 ), and mean absolute error (MAE), which are 3.16, 0.97, and 0.75, respectively. In addition, the results reveal that solution volume is the most significant feature in the model development process that affects the amount of FA conversion to H 2 (%). These techniques can be used to assess the efficiency of other catalysts in terms of type, size, weight percentage, and their effects on the amount of FA conversion to H 2 (%). Moreover, the results of this study can be used to optimize the energy, cost, and environmental aspects of the FA dehydrogenation 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 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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».