基于生物质特征的生物炭产量的机器学习预测
Jingjing Ma1, Shuai Zhang1, Xiangjun Liu1
1School of Human Settlements and Civil Engineering, Xi'an Jiaotong University, 710049, China.
Bioresource technology
|October 7, 2023
概括
机器学习模型准确地预测了缓慢热解的生物炭产量. 热解条件,特别是温度,比生物质组成更大程度上影响生物炭生产.
科学领域:
- 生物质转换生物质转换
- 热化学过程 热化学过程
- 材料科学是一种材料科学.
背景情况:
- 慢热解是一种关键的热化学过程,用于将有机废物转化为有价值的生物炭.
- 优化生物炭产量需要了解工艺参数和原料特性之间的复杂相互作用.
研究的目的:
- 为生物炭产量开发预测机器学习模型.
- 为了确定影响慢热解过程中的生物炭生产的关键因素.
- 在这个预测任务中评估不同机器学习算法的性能.
主要方法:
- 采用了六种机器学习模型,包括渐变增强决策树和神经网络.
- 使用Pearson特征选择来识别相关变量.
- 应用部分依赖性分析来探索特征变量关系.
主要成果:
- 梯度增强和莱文伯格-马奎特神经网络实现了高预测准确性 (R2 > 0.9训练,R2 > 0.8测试).
- 部分依赖地块表明,热解条件,特别是温度,对生物炭产量的影响比生物质成分更大.
- 最高的处理温度成为调节生物炭产量的关键,持续调节的因素.
结论:
- 机器学习为预测热解中的实验结果提供了一个强大的工具.
- 这种方法可以大大减少生物炭生产研发的时间和经济成本.
- 这些发现为优化缓慢的热解过程提供了科学基础,以提高生物炭产量.
