Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben
Zeitschriftenartikel

Interpretable machine learning for accelerating the discovery of metal-organic frameworks for ethane/ethylene separation

MPG-Autoren
/persons/resource/persons256359

Wang,  Zihao
Process Systems Engineering, Max Planck Institute for Dynamics of Complex Technical Systems, Max Planck Society;
International Max Planck Research School (IMPRS), Max Planck Institute for Dynamics of Complex Technical Systems, Max Planck Society;

/persons/resource/persons130465

Zhou,  Teng
Process Systems Engineering, Max Planck Institute for Dynamics of Complex Technical Systems, Max Planck Society;

/persons/resource/persons86497

Sundmacher,  Kai
Process Systems Engineering, Max Planck Institute for Dynamics of Complex Technical Systems, Max Planck Society;
Otto-von-Guericke-Universität Magdeburg, External Organizations;

Externe Ressourcen
Es sind keine externen Ressourcen hinterlegt
Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte in PuRe verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Wang, Z., Zhou, T., & Sundmacher, K. (2022). Interpretable machine learning for accelerating the discovery of metal-organic frameworks for ethane/ethylene separation. Chemical Engineering Journal, 444: 136651. doi:10.1016/j.cej.2022.136651.


Zitierlink: https://hdl.handle.net/21.11116/0000-000A-6C63-E
Zusammenfassung
Es ist keine Zusammenfassung verfügbar