Машинное обучение и анализ больших данных в области катализа

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Быстрое развитие экспериментальных методов в каталитических исследованиях в последнее время позволяет получать большие объемы данных. Использование новых статистических и расчетных методов обработки, включающих в себя извлечение информации из экспериментальных данных и их непредвзятую интерпретацию, важно для ускорения развития и внедрения каталитических технологий. Извлечение информации может быть достигнуто с применением статистических подходов: PCA, MCR, ALS. В то же время алгоритмы машинного обучения начинают активно использоваться для интерпретации и построения описательных моделей. В настоящей статье рассматриваются основные методы машинного обучения и примеры их успешного применения для анализа данных инфракрасной и рентгеновской абсорбционной спектроскопии.

Об авторах

В. Г. Филиппов

Тюменский государственный университет, группа TsyfroCatLab

Email: y.a.mikhajlov@utmn.ru
Россия, 625003, Тюмень, ул. Володарского, 6

Я. А. Михайлов

Тюменский государственный университет, группа TsyfroCatLab

Автор, ответственный за переписку.
Email: y.a.mikhajlov@utmn.ru
Россия, 625003, Тюмень, ул. Володарского, 6

А. В. Елышев

Тюменский государственный университет, группа TsyfroCatLab

Email: y.a.mikhajlov@utmn.ru
Россия, 625003, Тюмень, ул. Володарского, 6

Список литературы

  1. Крупнов А.А., Погосбекян М.Ю. // Кинетика и катализ. 2019. Т. 60. № 2. С. 181.
  2. Дюсембаева А.А., Вершинин В.И. // Кинетика и катализ. 2019. Т. 60. № 1. С. 129.
  3. Landrum G.A., Penzotti J.E., Putta S. // Meas. Sci. Technol. 2005. V. 16. P. 270.
  4. Erdem Günay M., Yıldırım R. // Catal. Rev. Sci. Eng. 2021. V. 63. P. 120.
  5. Jollife I.T., Cadima J. // Philosophical Transactions of the Royal Society. A: Mathematical, Physical and Engineering Sciences. 2016. V. 374. P. 1.
  6. Wei J., Cao S. // International Conference on Intelligent Computing and Control Systems (ICCS), IEEE, Secunderabad, India, 27–28 June 2019. P. 85.
  7. Landrum G. A., Penzotti J. E., Putta S. // Meas. Sci. Technol. 2004. V. 16. № 1. P. 270.
  8. Dai Q., Zhang C., Wu H. // Int. J. Database Theory and Application. 2016. V. 9. P. 1.
  9. Somvanshi M., Chavan P. // International conference on computing communication control and automation (ICCUBEA), IEEE, Pune, Maharashtra, India, 12–13 August 2016. P. 1.
  10. Jinnouchi R., Asahi R. // J. Phys. Chem. Lett. 2017. V. 8. P. 4279.
  11. Saikia P., Baruah R.D., Singh S.K., Chaudhuri P.K. // Comput. Geosci. 2020. V. 135. P. 1.
  12. Li H., Zhang Z., Liu Z. // Catalysts. 2017. V. 7. P. 1.
  13. Yano J., Yachandra V.K. // Photosynth. Res. 2009. V. 102. P. 241.
  14. Cibin G., Gianolio D., Parry S.A., Schoonjans T., Moore O., Draper R., Miller L.A., Thoma A., Doswell C.L., Graham A. // Radiat. Phys. Chem. 2020. V. 175. P. 1.
  15. Mathew K., Zheng C., Winston D., Chen C., Dozier A., Rehr J.J., Ong S.P., Persson K.A. // Scientific Data. 2018. V. 5. P. 1.
  16. Ravel B., Newville M. // J. Synchrotron Radiat. 2005. V. 12. P. 537.
  17. Zheng C., Mathew K., Chen C., Chen Y., Tang H., Dozier A., Kas J.J., Vila F.D., Rehr J.J., Piper L.F.J., Persson K.A., Ong, S. P. // Comput. Mater. 2018. V. 4. P. 1.
  18. Timoshenko J., Jeon H.S., Sinev I., Haase F.T., Herzog A., Cuenya B.R. // Chem. Sci. 2020. V. 11. P. 3727.
  19. Timoshenko J. Lu D., Lin Y., Frenkel A.I. // J. Phys. Chem. Lett. 2017. V. 8. P. 5091.
  20. Miyazato I., Takahashi L., Takahashi K. // Mol. Syst. Des. Eng. 2019. V. 4. P. 1014.
  21. Weckhuysen B.M. // Phys. Chem. Chem. Phys. 2003. V. 5. P. 4351.
  22. Serhan M., Sprowls M., Jackemeyer D., Long M., Perez I.D., Maret W., Forzani, E. // AIChE Annual Meeting, Conference Proceedings, 2019.
  23. Penner-Hahn J.E. / In: Comprehensive Coordination Chemistry. II. Eds. Mccleverty J.A., Meyer T.J. Amsterdam–Oxford–New York–San Diego: Elsevier–Pergamon Press, 2003. V. 2. P. 159.
  24. Wu L.B., Wu L.H., Yang W.M., Frenkel A.I. // Catal. Sci. Technol. 2014. V. 4. P. 2512.
  25. Huth F., Schnell M., Wittborn J., Ocelic N., Hillenbrand R. // Nature Mater. 2011. V. 10. P. 352.
  26. Ellis D.I., Broadhurst D., Clarke S.J., Goodacre R. // Analyst. 2005. V. 130. P. 1648.
  27. Howley T., Madden M.G., O’Connell M.-L., Ryder A.G. // International Conference on Innovative Techniques and Applications of Artificial Intelligence. Cambridge, United Kingdom. 12–14 December 2005. P. 209.
  28. Zou T., Dou Y., Mi H., Zou J., Ren Y. // Analyt. Biochem. 2006. V. 355. P. 1.
  29. Kale M.J., Christopher P. // ACS Catal. 2016. V. 6. P. 5599.
  30. Lansford J.L., Vlachos D.G. // Nature Commun. 2020. V. 11. P. 1.
  31. Davies J.C., Nielsen R.M., Thomsen L.B., Chorkendorff I., Logadottir A., Lodziana Z., Besenbacher F. // Fuel Cells. 2004. V. 4. P. 309.
  32. Steininger H., Lehwald S., Ibach H. // Surf. Sci. 1982. V. 123. P. 264.
  33. Lansford J.L., Vlachos D.G. // ACS Nano. 2020. V. 14. P. 17295.
  34. Agarwal N., Sondhi A., Chopra K., Singh G. / In: Tiwari S., Trivedi M., Mishra K., Misra A., Kumar K., Suryani, E. (eds) Smart Innovations in Communication and Computational Sciences. Advances in Intelligent Systems and Computing. Springer, Singapore, 2021. V. 1168. P. 145.
  35. Chanussot L., Das A., Heras-Domingo J., Goyal S., Ho C., Lavril T., Palizhati A., Parikh D., Riviere M., Shuaibi M., Tran K., Ulissi Z., Yoon J., Zitnick C.L. // 2020 Virtual AIChE Annual Meeting.2020.