Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Prediction of CO2 solubility in ionic liquids using machine learning methods

Song, Z., Shi, H., Zhang, X., & Zhou, T. (2020). Prediction of CO2 solubility in ionic liquids using machine learning methods. Chemical Engineering Science, 223: 115752. doi:10.1016/j.ces.2020.115752.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-0007-9301-1 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0009-039D-3
Genre: Zeitschriftenartikel

Dateien

einblenden: Dateien
ausblenden: Dateien
:
song_3266421.pdf (Verlagsversion), 2MB
 
Datei-Permalink:
-
Name:
song_3266421.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Privat
MIME-Typ / Prüfsumme:
application/pdf
Technische Metadaten:
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Song, Zhen1, Autor
Shi, Huaiwei2, Autor
Zhang, Xiang3, Autor
Zhou, Teng2, Autor           
Affiliations:
1Otto-von-Guericke-Universität Magdeburg, External Organizations, ou_1738156              
2Process Systems Engineering, Max Planck Institute for Dynamics of Complex Technical Systems, Max Planck Society, ou_1738151              
3Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology, Clear Water Bay, Hong Kong, ou_persistent22              

Inhalt

einblenden:

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum: 2020
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Expertenbegutachtung
 Identifikatoren: DOI: 10.1016/j.ces.2020.115752
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Chemical Engineering Science
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 223 Artikelnummer: 115752 Start- / Endseite: - Identifikator: ISSN: 00092509