Toward accurate prediction of N2 uptake capacity in metal-organic frameworks
Notice bibliographique
Résumé
The efficient and cost-effective purification of natural gas, particularly through adsorption-based processes, is critical for energy and environmental applications. This study investigates the nitrogen (N 2 ) adsorption capacity across various Metal-Organic Frameworks (MOFs) using a comprehensive dataset comprising 3246 experimental measurements. To model and predict N 2 uptake behavior, four advanced machine learning algorithms—Categorical Boosting (CatBoost), Extreme Gradient Boosting (XGBoost), Deep Neural Network (DNN), and Gaussian Process Regression with Rational Quadratic Kernel (GPR-RQ)—were developed and evaluated. These models incorporate key physicochemical parameters, including temperature, pressure, pore volume, and surface area. Among the developed models, XGBoost demonstrated superior predictive accuracy, achieving the lowest root mean square error (RMSE = 0.6085), the highest coefficient of determination (R 2 = 0.9984), and the smallest standard deviation (SD = 0.60). Model performance was rigorously validated using statistical metrics and graphical analysis. Trend consistency with experimental data confirmed that XGBoost accurately captures the effect of pressure on N₂ uptake. Additionally, SHAP (Shapley Additive Explanations) analysis identified temperature as the most influential factor in adsorption prediction. Finally, an outlier assessment using the Leverage method indicated that approximately 94% of the data points were statistically valid and within the model’s applicability domain.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».