Machine Learning-Driven Prediction of Electrochemical Promotion in the Reverse Water Gas Shift Reaction
Notice bibliographique
Résumé
Electrochemical promotion of catalysis (EPOC) provides an effective and versatile strategy to enhance catalytic activity, selectivity, and stability in the reverse water–gas shift (RWGS) reaction, facilitating efficient CO 2 hydrogenation to syngas under milder conditions. However, predicting EPOC results using novel catalytic materials under diverse conditions remains challenging. This study introduces a machine learning framework to predict electrochemical promotion behavior and the rate enhancement ratios (ρ), i.e., ratio between promoted and unpromoted reaction rate, based on the selected catalyst, reaction, and electrochemical condition descriptors. Several classification and regression models were trained and tested using a data set compiled from previous studies. The best-performing random forest (RF) and extreme gradient boosting (XGB) models were validated with new experimental data collected from systems employing lithium lanthanum titanate (LLTO) solid electrolyte and Pt–ZnO catalysts, achieving an R 2 of 0.97 and a mean squared error (MSE) of 0.01. This data-driven approach is interpretable, generalizable to other catalytic systems, and provides a powerful tool for advancing the development of catalytic materials for EPOC in RWGS reactions.
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 | 0,000 | 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 ».