Ensemble machine learning to accelerate industrial decarbonization: Prediction of Hansen solubility parameters for streamlined chemical solvent selection

Eslam G. Al-Sakkari, Ahmed Ragab, Mostafa Amer, Olumoye Ajao, Marzouk Benali, Daria Camilla Boffito, Hanane Dagdougui et Mouloud Amazouz

Article de revue (2024)

Document en libre accès chez l'éditeur officiel

Un lien externe est disponible pour ce document

Département:	Département de génie chimique Département de génie électrique Département de mathématiques et de génie industriel
URL de PolyPublie:	https://publications.polymtl.ca/61946/
Titre de la revue:	Digital Chemical Engineering (vol. 14)
Maison d'édition:	Elsevier BV
DOI:	10.1016/j.dche.2024.100207
URL officielle:	https://doi.org/10.1016/j.dche.2024.100207
Date du dépôt:	16 janv. 2025 14:22
Dernière modification:	16 janv. 2025 14:22

Citer en APA 7:	Al-Sakkari, E. G., Ragab, A., Amer, M., Ajao, O., Benali, M., Boffito, D. C., Dagdougui, H., & Amazouz, M. (2024). Ensemble machine learning to accelerate industrial decarbonization: Prediction of Hansen solubility parameters for streamlined chemical solvent selection. Digital Chemical Engineering, 14, 100207 (26 pages). https://doi.org/10.1016/j.dche.2024.100207
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Simple Metadata

Statistiques

Dimensions

1

CITATION

Actions réservées au personnel

Afficher document