文献

J-GLOBAL ID：201902238079066551   整理番号：19A0629187

水素貯蔵のための金属水素化物の機械学習に基づく予測 I 水素重量%の予測【JST・京大機械翻訳】

Machine learning based prediction of metal hydrides for hydrogen storage, part I: Prediction of hydrogen weight percent

著者 (4件)： Rahnama Alireza (ai-garismo, 1 Sandover House, 124 Spa Road, London, SE16 3FD, United Kingdom) ,  Zepon Guilherme (Department of Materials Engineering, Federal University of Sao Carlos, Rod. Washington Luis, km 235, CE P: 13565-905, Sao Carlos-SP, Brazil) ,  Sridhar Seetharaman (ai-garismo, 1 Sandover House, 124 Spa Road, London, SE16 3FD, United Kingdom) ,  Sridhar Seetharaman (George S. Ansell Department of Metallurgical and Materials Engineering, Colorado School of Mines, Golden, CO 80401, USA)
資料名： International Journal of Hydrogen Energy  (International Journal of Hydrogen Energy)
巻： 44  号： 14  ページ： 7337-7344  発行年： 2019年 
JST資料番号： B0192B  ISSN： 0360-3199  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 水素貯蔵のための水素化物に関するエネルギーの米国部門によって提供されたオープン利用可能なデータベースを,水素重量パーセントと呼ばれる水素貯蔵容量を決定するための重要性の観点から,管理された機械学習を通して分析した。この部分において,4つのモデル,すなわち,線形回帰,ニューラルネットワーク,Bayes線形回帰,およびブースト決定木を用いて,水素重量パーセントを予測した。各アルゴリズムについて,スコア化ラベルを水素重量パーセントの実際の値と比較した。著者らの研究は,ブースト決定木回帰が,0.83の決定係数を達成する他のアルゴリズムより良く機能することを示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *機械学習 ,  *水素吸蔵 ,  *水素 ,  モデル ,  アルゴリズム ,  ニューラルネットワーク ,  *水素化物 ,  ディシジョンツリー ,  データベース
準シソーラス用語： 決定係数 ,  スコア化 ,  線形回帰 ,  *金属水素化物 , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  人工知能 ,  水素貯蔵材料 ,  金属水素化物

分類 (2件)： 気体燃料の輸送,供給,貯蔵  (YE02060M) ,  その他の金属組織学  (WB01040Y)

タイトルに関連する用語 (5件)： 水素貯蔵 ,  金属水素化物 ,  機械学習 ,  予測 ,  水素