Predictive Modeling of CO<sub>2</sub> Adsorption in Metal–Organic Frameworks Using Hybrid Machine Learning Approaches
Notice bibliographique
Résumé
Carbon dioxide (CO 2 ) emissions from industrial and energy sources lead to global warming and drive climate change. To address the critical challenge of rising atmospheric CO 2 levels, strategies such as CO 2 capture are essential for limiting emissions and mitigating environmental impact. Among various materials, metal–organic frameworks (MOFs) have emerged as highly promising and effective adsorbents for CO 2 capture, offering high selectivity and capacity. This study evaluates the performance of various machine learning (ML) models, including artificial neural network-particle swarm optimization (ANN-PSO), coupled simulated annealing-least squares support vector machine (CSA-LSSVM), and adaptive neuro-fuzzy inference system (ANFIS), in predicting the CO 2 capture capacity of MOFs. Additionally, gene expression programming (GEP) is utilized to find a mathematical correlation between CO 2 capture capacity and key operating variables such as pressure and surface area. The model development considered the input variables: temperature, pressure, surface area, pore volume, and enthalpy. Performance metrics such as mean square error (MSE) and coefficient of determination ( R 2 ) are calculated for the training and testing phases to assess the model accuracy and reliability. Among the evaluated models, CSA-LSSVM exhibits the best performance, achieving R 2 values of 0.971 and 0.915 and MSE values of 0.0025 and 0.0034 for the training and testing phases, respectively. Sensitivity analysis conducted on the CSA-LSSVM model reveals that pressure significantly influences CO 2 capture capacity, followed by surface area. The results demonstrate the potential of ML models, particularly CSA-LSSVM, as powerful tools for predicting and optimizing the performance of MOFs in CO 2 capture, considering cost, energy efficiency, and environmental sustainability.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».