机器学习方法用于确定和优化从纤维素生物质生产生物气的影响因素

科学领域:

• 生物技术是生物技术.
• 生物化学工程 生物化学工程
• 可再生能源可再生能源是可再生能源.

背景情况:

• 纤维素生物质 (LB) 的无氧消化对于生物气生产至关重要.
• 预测特定甲产量 (SMY) 是复杂的,因为生物质特征和反应堆条件变化.
• 机器学习 (ML) 为模拟这些复杂的生物过程提供了一种强大的方法.

研究的目的:

• 开发和验证一个机器学习模型来预测LB的SMY.
• 确定影响连续料反应堆中中小企业的关键特征.
• 优化LB与肥料的比率,以提高生物气生产.

主要方法:

• 编制了14个特征的数据集,包括LB特征和反应堆运行条件.
• 随机森林 (RF) 模型被用于预测SMY.
• 使用确定系数 (R2) 和根平均平方误差 (RMSE) 评估模型性能.
• 使用RF模型评估了LB对肥料比率对沼气生产的影响.

主要成果:

• 射频模型实现了SMY的高预测准确性,R2 = 0.85和RMSE = 0.06.
• 生物质组成显著影响了SMY,纤维素被确定为最重要的特征.
• 为了在典型的有机载荷率 (OLR) 下最大限度地提高生物气产量,确定了1:1的最佳LB/肥料比率.
• 实验验证证证实了模型的发现,实现了预测的SMY的79.2%.

结论:

• ML,特别是RF模型,对于建模和优化LB的无氧消化非常有效.
• 了解生物质组成的影响,特别是纤维素含量,对于最大限度地提高甲产量至关重要.
• 该研究提供了一个实用的框架,通过明智的比率调整来优化生物气生产.