Toward predicting CO2 loading capacity in monoethanolamine (MEA) aqueous solutions using deep belief network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The viability of CO 2 capture projects, particularly through absorption with monoethanolamine (MEA) and other commercial absorbents, strongly depends on the CO 2 loading capacity. Therefore, comprehending the impact of variables on the CO 2 loading capacity of MEA is crucial in designing CO 2 capture units, which can be further optimized through multi-objective optimization. To this end, four machine learning models—Bagging Regression (BR), Categorical Boosting (CatBoost), Deep Belief Network (DBN), and Gaussian Process Regression with Rational Quadratic kernel function (GPR-RQ)—were utilized to predict the CO 2 loading capacity of MEA aqueous solutions. Temperature, partial pressure of CO 2 , and MEA concentration were inputted into the intelligent network to calculate the CO 2 loading capacity. The binary values of R 2 and standard deviation (SD), which were 0.9889 and 0.0628 for Bagging Regression, 0.9932 and 0.06586 for CatBoost, 0.9957 and 0.0588 for GPR-RQ, and 0.9971 and 0.0329 for DBN, confirm that DBN has the highest accuracy in statistical analysis, followed by GPR-RQ, CatBoost, and Bagging Regression. Additionally, graphical methods like scattered plots and relative deviation plots corroborate the superior performance of the DBN model over all other intelligent techniques. By conducting a relevancy factor analysis on DBN outcomes, sensitivity analysis demonstrates that pressure has the most significant influence among the inputs. Furthermore, the Leverage technique affirms that the DBN model has a substantial degree of validity in forecasting the CO 2 loading capacity of MEA. Finally, 3-D image plots were systematically examined to analyze the binary interactive effect of (temperature, CO 2 partial pressure), (temperature, MEA concentration), and (CO 2 partial pressure, MEA concentration) on the carbon absorption efficiency, which is essential to reach the net-zero emission purpose.
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.
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 | 0,001 |
| 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 découle