Eslam Ibrahim, Ahmed Ragab, Mostafa Amer, Olumoye Ajao, Marzouk Benali, Daria Camilla Boffito
, Hanane Dagdougui et Mouloud Amazouz
Article de revue (2025)
 Document en libre accès dans PolyPublie et chez l'éditeur officiel |
|
Libre accès au plein texte de ce document Version officielle de l'éditeur Conditions d'utilisation: Creative Commons: Attribution-Utilisation non commerciale-Pas d'oeuvre dérivée (CC BY-NC-ND) Télécharger (11MB) |
|
|
Libre accès au plein texte de ce document Matériel supplémentaire Conditions d'utilisation: Creative Commons: Attribution-Utilisation non commerciale-Pas d'oeuvre dérivée (CC BY-NC-ND) Télécharger (2MB) |
| Département: |
Département de génie chimique Département de génie électrique Département de mathématiques et de génie industriel |
|---|---|
| Organismes subventionnaires: | Natural Resources Canada - Office of Energy Research and Development, Natural Resources Canada - Forest Innovation Program, NSERC / CRSNG |
| URL de PolyPublie: | https://publications.polymtl.ca/61946/ |
| Titre de la revue: | Digital Chemical Engineering (vol. 14) |
| Maison d'édition: | Elsevier |
| 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: | 14 avr. 2026 08:49 |
| Citer en APA 7: | Ibrahim, E., Ragab, A., Amer, M., Ajao, O., Benali, M., Boffito, D. C., Dagdougui, H., & Amazouz, M. (2025). 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 |
|---|---|
Statistiques
Total des téléchargements à partir de PolyPublie
Téléchargements par année
Provenance des téléchargements
Dimensions
Actions réservées au personnel
|
Afficher document |
