.png){kind=icon}
返回
Machine Learning-Driven Multi-Objective Optimization of Microchannel Reactors for CO2 Conversion
.png){kind=icon}
OA
AI
DOI：10.1002/adsu.202500064.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，电力制气（PtG）概念，特别是通过萨巴蒂埃过程（Sabatier process）的热催化CO2转化，已成为缓解温室气体排放的有前景的途径。该过程在低温甲烷化条件下将CO2和H-2转化为甲烷和水。本研究提出了一种通过结合计算流体动力学（CFD）、响应面法（RSM）、机器学习（ML）和多目标优化来改进微通道反应器性能的新方法。关键设计变量包括入口速度、温度和通道长度比。RSM方法用于生成模拟数据集；而数据增强辅助ML模型训练。评估了六种ML模型——线性、集成、树、高斯、支持向量机（SVM）和神经网络——的回归精度，并与基于RSM的相关性进行比较。研究发现高斯过程模型表现最优，并与多目标优化算法集成。决策评分（DMS）对性能指标进行分级和归一化。该研究确定了最佳反应器设计，其CO2转化率约为78.6%，CH4选择性接近99.9%。这些结果表明，该先进方法在显著降低计算需求（从24小时缩短至1.471毫秒）的同时，保持了精度，从而为真实世界中PtG应用的各类工程应用提供了成本效益高、效率高的反应器设计优化方案。
Keyword:
auto-thermal CO2 methanation
computational fluid dynamics
machine learning
response surface methodology
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
1.9K
被引数:
5.7K
机构
引用论文
.png){kind=icon}
Multi-objective optimization of molten salt microreactor shielding perturbations employing machine learning采用机器学习对熔盐微反应器屏蔽扰动进行多目标优化
PREAI
分享收藏
查看更多内容