Advanced intelligent techniques for modeling oxygen storage in zeolite-based porous materials
Notice bibliographique
Résumé
Oxygen and nitrogen are essential gases with extensive applications in industrial and medical fields, making their separation from air a critical yet complex challenge. Zeolites, renowned for their highly porous structures, have garnered significant attention as promising materials for enhancing gas storage and separation processes. In this paper, advanced machine learning (ML) methods, including Generalized Regression Neural Network (GRNN), Cascade Forward Neural Network, and Multilayer Perceptron were utilized to forecast the O 2 uptake capacity in zeolites. A comprehensive database of 750 experimental O 2 uptake values was constructed, incorporating pressure, pore volume, temperature, and surface area as input features to develop robust predictive models. The findings demonstrated the superior performance of the GRNN model, achieving an exceptional root mean square error of 0.03 and a coefficient of determination (R 2 ) of 0.9991, outperforming the other techniques. Additionally, further analyses confirmed the reliability of the presented models in accurately capturing physical trends of O 2 uptake under varying pressure conditions at different constant temperatures. Sensitivity analysis further revealed that pressure positively influences O 2 storage, while temperature exerts the most significant effect, with relevancy factors of 0.341 and − 0.848, respectively. These results underscore the effectiveness of ML techniques in precisely forecasting and enhancing gas storage processes in zeolites, offering meaningful insights to drive advancements in separation technologies.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».