Research on Improving the Energy Efficiency of Plasma-Catalyzed Ammonia Synthesis Based on XGBoost and Bayesian Optimization
Notice bibliographique
Résumé
Ammonia synthesis is vital for fertilizer production, but the traditional Haber-Bosch process is energyintensive and environmentally burdensome due to its high-temperature and high-pressure operations.Plasma-catalytic ammonia synthesis offers a sustainable alternative, generating large datasets under various experimental conditions.To optimize energy efficiency, we established a database with 305 data points and 7 experimental parameters, each linked to its corresponding energy efficiency.We employed an Extreme Gradient Boosting (XGBoost) regression tree model, achieving an average R² value of 0.9434 for predictions.Bayesian Optimization (BO), using Gaussian Process Regression as a surrogate model, systematically explored the experimental parameter space.It utilized XGBoost predictions to identify parameter combinations that maximized energy efficiency.After 50 iterations, the optimal parameters were identified: 6.4 g catalyst mass, 50 mm grounding electrode length, nickel metal catalyst, Al₂O₃ catalyst support, 5 W power, 160 ml•min⁻¹ flow rate, and a 1:2 feed ratio.Under these conditions, the energy efficiency of plasma-catalytic ammonia synthesis improved to 1.49 g•kW•h⁻¹, a 22.1% increase from the highest value of 1.22 g•kW•h⁻¹ in the dataset.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».