Hybrid Machine Learning and Genetic Algorithm Approach for Catalyst and Process Optimization in Fischer–Tropsch Synthesis Toward Sustainable Fuel Production
Notice bibliographique
Résumé
Abstract This study presents a data‐driven approach for predicting the relationships between catalyst design, process conditions, and product selectivity in Fischer–Tropsch synthesis (FTS). A dataset of 400 entries was compiled from peer‐reviewed literature, incorporating 24 input variables covering catalyst composition (including base metals, supports, and promoters), physical properties (including BET surface area and pore diameter), and key reaction conditions (including temperature, pressure, TOS, GHSV, and the gas ratio). The five target responses included CO conversion and selectivity for CO 2 , CH 4 , C 2 –C 4 hydrocarbons, and C 5 –C 12 hydrocarbons. Random forest (RF) regression models were developed for each target variable (i.e., conversions and selectivity). High accuracy was consistently achieved in the model training; the training R 2 values ranged from 0.95 to 0.98, with the RMSEC falling between 1.7 and 5.3, which is in line with or an improvement over previously reported results. The performance of the models was evaluated using k‐fold cross‐validation, yielding robust R 2 values ranging from 0.75 to 0.91, with RMSEV values between 3 and 7 for all predicted FTS responses. These results are superior to those reported in the literature, especially regarding CO conversion and C 5 –C 12 product selectivity.To extend beyond prediction and provide actionable insights toward sustainable fuel production, a genetic algorithm (GA) was combined with the RF models to optimize the catalyst composition and process conditions. Using this RF–GA approach, an optimal catalyst was identified. This led to a notable C 5 –C 12 selectivity of 90.75%, one of the highest reported values.
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 | 0,000 |
| 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 ».