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
- 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) - Catalysis distillation neural network for the few shot open catalyst
challenge [1.1878820609988694]
本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。
触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。
その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
論文 参考訳(メタデータ) (2023-05-31T04:23:56Z) - 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) - Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based
Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。
本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文 参考訳(メタデータ) (2022-09-15T13:52:15Z) - 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) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - 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。