Machine learning for data-driven insights into CO2 adsorption on amorphous porous organic polymers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Increasing CO 2 emissions demand advanced carbon capture and storage technologies. Among various approaches, the adsorption of CO 2 on porous organic polymers (POPs) is particularly promising due to their low density, high surface area, tunable pore structure, and excellent thermal and chemical stability. However, optimizing CO 2 uptake is challenging because the quantitative relationships between material properties and adsorption capacity remain unclear. Although machine learning (ML) algorithms have improved predictive performance, many models offer limited actionable insights for material design due to poor interpretability. In this study, we apply four supervised ML models random forest, light gradient boosting, extreme gradient boosting, and support vector machines to predict the CO 2 adsorption capacity of amorphous POPs using a comprehensive dataset (8 inputs and 737 data points) that integrates textural properties, elemental composition, and operating conditions. The extreme gradient boosting model achieved the best performance (R 2 = 0.995; RMSE = 0.056; MAE = 0.0321). Beyond prediction, we employ SHapley Additive exPlanations, permutation importance, and uni‑factorial partial dependence analysis to quantitatively elucidate the role of individual descriptors. Our results reveal that operating conditions and textural features (e.g., BET surface area and micropore volume) exert a greater influence on CO 2 uptake than elemental composition. These data-driven insights provide a roadmap for the rational design of next-generation POP adsorbents for efficient carbon capture.
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.
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 | 0,000 |
| 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 découle