論文の概要: Turning hazardous volatile matter compounds into fuel by catalytic steam
reforming: An evolutionary machine learning approach
- arxiv url: http://arxiv.org/abs/2308.05750v1
- Date: Tue, 25 Jul 2023 16:29:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:47:10.256097
- Title: Turning hazardous volatile matter compounds into fuel by catalytic steam
reforming: An evolutionary machine learning approach
- Title（参考訳）: 触媒水蒸気改質による有害揮発性物質化合物の燃料化:進化的機械学習アプローチ
- Authors: Alireza Shafizadeh, Hossein Shahbeik, Mohammad Hossein Nadian, Vijai
Kumar Gupta, Abdul-Sattar Nizami, Su Shiung Lam, Wanxi Peng, Junting Pan,
Meisam Tabatabaei, Mortaza Aghbashlo
- Abstract要約: 本研究は,揮発性物質化合物の触媒水蒸気改質をモデル化し,理解し,最適化するための機械学習に基づく研究フレームワークを初めて開発したものである。
トルエン触媒水蒸気改質は, 化学・音場解析を用いて機械学習モデルの入力特性を得る方法を示すケーススタディとして用いられる。
- 参考スコア（独自算出の注目度）: 2.1026063307327045
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chemical and biomass processing systems release volatile matter compounds
into the environment daily. Catalytic reforming can convert these compounds
into valuable fuels, but developing stable and efficient catalysts is
challenging. Machine learning can handle complex relationships in big data and
optimize reaction conditions, making it an effective solution for addressing
the mentioned issues. This study is the first to develop a
machine-learning-based research framework for modeling, understanding, and
optimizing the catalytic steam reforming of volatile matter compounds. Toluene
catalytic steam reforming is used as a case study to show how chemical/textural
analyses (e.g., X-ray diffraction analysis) can be used to obtain input
features for machine learning models. Literature is used to compile a database
covering a variety of catalyst characteristics and reaction conditions. The
process is thoroughly analyzed, mechanistically discussed, modeled by six
machine learning models, and optimized using the particle swarm optimization
algorithm. Ensemble machine learning provides the best prediction performance
(R2 > 0.976) for toluene conversion and product distribution. The optimal tar
conversion (higher than 77.2%) is obtained at temperatures between 637.44 and
725.62 {\deg}C, with a steam-to-carbon molar ratio of 5.81-7.15 and a catalyst
BET surface area 476.03-638.55 m2/g. The feature importance analysis
satisfactorily reveals the effects of input descriptors on model prediction.
Operating conditions (50.9%) and catalyst properties (49.1%) are equally
important in modeling. The developed framework can expedite the search for
optimal catalyst characteristics and reaction conditions, not only for
catalytic chemical processing but also for related research areas.
- Abstract（参考訳）: 化学およびバイオマス処理システムは、揮発性物質化合物を毎日環境に放出する。
触媒改質はこれらの化合物を貴重な燃料に変えることができるが、安定で効率的な触媒の開発は困難である。
マシンラーニングは、ビッグデータにおける複雑な関係を処理し、リアクション条件を最適化することで、前述の問題に対処するための効果的なソリューションになります。
本研究は,揮発性物質化合物の触媒的蒸気改質をモデル化,理解,最適化するための機械学習に基づく研究フレームワークを初めて開発した。
トルエン触媒蒸気改質は、化学/テクスチャ解析(例えばx線回折分析)を用いて機械学習モデルの入力特性を得る方法を示すケーススタディとして用いられる。
文学は、様々な触媒特性と反応条件をカバーするデータベースのコンパイルに使用される。
6つの機械学習モデルによってモデル化され、粒子群最適化アルゴリズムを用いて最適化される。
エンサンブル機械学習はトルエン変換と製品分布に最適な予測性能(R2 > 0.976)を提供する。
最適なタール変換(77.2%以上)は637.44から725.62 {\deg}cの温度で得られ、蒸気対炭素モル比5.81-7.15と触媒ベット表面面積476.03-638.55 m2/gである。
特徴量分析は,入力記述子のモデル予測への影響を良好に明らかにする。
運転条件(50.9%)と触媒特性(49.1%)はモデリングにおいて等しく重要である。
触媒化学処理のみならず, 関連研究分野においても, 最適な触媒特性と反応条件の探索を迅速に行うことができる。
関連論文リスト
- Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。
反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。
反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
論文 参考訳（メタデータ） (2024-11-26T17:41:44Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Generative Language Model for Catalyst Discovery [0.0]
化学空間から無機触媒構造の文字列表現を生成するために訓練されたCatalyst Generative Pretrained Transformer (CatGPT)を導入する。
CatGPTは有効かつ正確な触媒構造を生成する上で高い性能を示すだけでなく、所望の触媒の種類を生成するための基礎モデルとしても機能する。
論文 参考訳（メタデータ） (2024-07-19T05:34:08Z) - A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery [10.92613600218535]
各種成分の触媒収率を正確に分類するために,堅牢な機械学習と説明可能なAI(XAI)フレームワークを導入する。
このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。
このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。
論文 参考訳（メタデータ） (2024-07-10T13:09:53Z) - An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳（メタデータ） (2024-02-20T13:21:46Z) - 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) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air
Combustion [0.0]
運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。
対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。
この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
論文 参考訳（メタデータ） (2021-03-15T13:29:08Z) - 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) - Data Driven Reaction Mechanism Estimation via Transient Kinetics and
Machine Learning [0.0]
この研究は、一過性率/集中依存と機械学習を組み合わせて、アクティブなサイト数を測定する方法論を詳述する。
反応を駆動するLangmuir-Hinshelwood機構を明らかにするためにCO酸化データを解析した。
論文 参考訳（メタデータ） (2020-11-17T18:14:10Z)
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。