論文の概要: Prediction of terephthalic acid (TPA) yield in aqueous hydrolysis of
polyethylene terephthalate (PET)
- arxiv url: http://arxiv.org/abs/2201.12657v1
- Date: Sat, 29 Jan 2022 20:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 15:16:45.053042
- Title: Prediction of terephthalic acid (TPA) yield in aqueous hydrolysis of
polyethylene terephthalate (PET)
- Title（参考訳）: ポリエチレンテレフタレート(PET)の水分解におけるテレフタリン酸(TPA)の収量予測
- Authors: Hossein Abedsoltan, Zeinab Zoghi, Amir H. Mohammadi
- Abstract要約: ポリエチレンテレフタレート(PET)の化学的リサイクルに水分解を用いる
有効因子を考慮したPET加水分解のモデル化は、材料科学者に有用な情報を提供することができる。
PETの加水分解をモデル化するために, 初めて381個の実験データを収集した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aqueous hydrolysis is used to chemically recycle polyethylene terephthalate
(PET) due to the production of high-quality terephthalic acid (TPA), the PET
monomer. PET hydrolysis depends on various reaction conditions including PET
size, catalyst concentration, reaction temperature, etc. So, modeling PET
hydrolysis by considering the effective factors can provide useful information
for material scientists to specify how to design and run these reactions. It
will save time, energy, and materials by optimizing the hydrolysis conditions.
Machine learning algorithms enable to design models to predict output results.
For the first time, 381 experimental data were gathered to model the aqueous
hydrolysis of PET. Effective reaction conditions on PET hydrolysis were
connected to TPA yield. The logistic regression was applied to rank the
reaction conditions. Two algorithms were proposed, artificial neural network
multilayer perceptron (ANN-MLP) and adaptive network-based fuzzy inference
system (ANFIS). The dataset was divided into training and testing sets to train
and test the models, respectively. The models predicted TPA yield sufficiently
where the ANFIS model outperformed. R-squared (R2) and Root Mean Square Error
(RMSE) loss functions were employed to measure the efficiency of the models and
evaluate their performance.
- Abstract（参考訳）: PETモノマーである高品質テレフタル酸(TPA)の生産により、ポリエチレンテレフタル酸(PET)を化学的にリサイクルするために、加水分解を用いる。
PET加水分解は、PETサイズ、触媒濃度、反応温度など様々な反応条件に依存する。
したがって、有効因子を考慮してPET加水分解をモデル化することで、材料科学者がこれらの反応を設計し実行する方法を特定するのに有用な情報を得ることができる。
加水分解条件を最適化することで、時間、エネルギー、材料を節約できる。
機械学習アルゴリズムは、結果を予測するモデルを設計することができる。
PETの加水分解をモデル化するために, 初めて381個の実験データを収集した。
PET加水分解反応における有効反応条件はTPA収率に関係していた。
反応条件のランク付けにロジスティック回帰を適用した。
ニューラルネットワーク多層パーセプトロン(ANN-MLP)と適応型ネットワークベースファジィ推論システム(ANFIS)の2つのアルゴリズムが提案された。
データセットは、それぞれモデルをトレーニングおよびテストするためのトレーニングセットとテストセットに分割された。
tpaを予測したモデルは、anfisモデルを上回っても十分に得られる。
R-squared (R2) と Root Mean Square Error (RMSE) の損失関数を用いてモデルの効率を測定し,その性能を評価する。
関連論文リスト
- Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [50.639325453203504]
MM-RCRは、化学反応レコメンデーション(RCR)のためのSMILES、反応グラフ、テキストコーパスから統一的な反応表現を学習するテキスト拡張マルチモーダルLLMである。
この結果から,MM-RCRは2つのオープンベンチマークデータセット上で最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-07-21T12:27:26Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-01-31T07:40:37Z) - PET Synthesis via Self-supervised Adaptive Residual Estimation
Generative Adversarial Network [14.381830012670969]
近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。
これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。
SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2023-10-24T06:43:56Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - PLASTIC: Improving Input and Label Plasticity for Sample Efficient
Reinforcement Learning [54.409634256153154]
強化学習(RL)では, サンプル効率の向上が重要である。
原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。
本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
論文 参考訳（メタデータ） (2023-06-19T06:14:51Z) - Machine learning-based characterization of hydrochar from biomass:
Implications for sustainable energy and material production [7.7276891733684465]
HTC (Hydrothermal Carbonization) は、バイオマスを事前乾燥することなく多用途のハイドロチャーに変換するプロセスである。
本研究の目的は, 異なるバイオマス源から生産されるヒドロチャーを, 異なる反応処理パラメータで特徴付けるモデルを開発することである。
論文 参考訳（メタデータ） (2023-05-24T18:55:54Z) - Synthetic PET via Domain Translation of 3D MRI [1.0052333944678682]
56ドルのF-FDG-PET/MRI検査データセットを用いて3D残像UNetをトレーニングし,全身T1強調MRIによる生理的PET取り込みを予測する。
予測されたPET画像は前方に投影され、ベンダーが提供するPET再構成アルゴリズムで使用できる合成PETタイム・オブ・フライ・シングラムを生成する。
論文 参考訳（メタデータ） (2022-06-11T21:32:40Z) - Multimodal Transformer-based Model for Buchwald-Hartwig and
Suzuki-Miyaura Reaction Yield Prediction [0.0]
このモデルは、事前訓練された双方向トランスフォーマーベースのエンコーダ(BERT)と、回帰ヘッドを備えた多層パーセプトロン(MLP)から構成され、収量を予測する。
我々は、Buchwald-Hartwigのサンプル外のデータセット分割でモデルのパフォーマンスをテストし、最先端技術で同等の結果を得た。
論文 参考訳（メタデータ） (2022-04-27T07:28:27Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。