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 R 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, AlO catalyst support, 5 W power, 160 mlmin flow rate, and a 1:2 feed ratio.Under these conditions, the energy efficiency of plasma-catalytic ammonia synthesis improved to 1.49 gkWh, a 22.1% increase from the highest value of 1.22 gkWh 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».