Random forest regression for catalyst performance prediction and validation of tri‐reforming of methane ( <scp>TRM</scp> )
Notice bibliographique
Résumé
Abstract Carbon dioxide‐reduced hydrogen can be synthesized through various methods such as dry‐reforming (DRM), steam reforming (SMR), and partial oxidation (POX). Tri‐reforming of methane (TRM) is a promising technology which combines all the above‐mentioned processes for the simultaneous production of hydrogen and syngas with high energy efficiency. However, catalyst design for TRM is challenging due to complex reaction kinetics and the need for catalyst. This way, the use of data‐driven models, such as random forest models (RFs), can be used to assist in the search of new material compositions, leading to a faster scale‐up process. In this study, a comprehensive database was built, encompassing approximately 6000 data points and 6 input parameters collected from literature published between 2013 and 2022. Three different random forest models were developed and demonstrated to accurately predict the methane conversion using temperature, metal wt.%, and feed ratios as input features, being later incorporated into a singular model based of the reaction kinetics of TRM. All models achieved high accuracy, with R 2 values exceeding 93%. The reaction temperature input parameter, ranging from 623 to 1173 K, was identified as having the greatest relative importance (60.7%), significantly influencing the changes in CH 4 conversion.
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 | 0,001 | 0,002 |
| 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 ».