机器学习辅助生物质的热水碳化,用于类似煤炭的碳化合物生产:参数优化和实验验证

科学领域:

• 生物质转换生物质转换
• 可持续材料科学 可持续材料科学
• 计算化学是一种计算化学.

背景情况:

• 水热碳化 (HTC) 将生物质转化为碳化合物,一种类似煤炭的材料,提供可持续的能源途径.
• 优化HTC条件和表征碳的传统方法是低效的,需要大量的时间和资源.
• 开发预测模型对于加速有效生产和利用水电燃料至关重要.

研究的目的:

• 采用机器学习 (ML) 来预测通过HTC生产的碳化合物的燃料特性.
• 为了比较不同的ML模型的性能,包括随机森林 (RF),支持矢量机 (SVM) 和极端梯度增强 (XGB).
• 识别影响char性质的关键过程参数,并优化ML模型以提高预测准确性和概括性.

主要方法:

• 开发和评估RF,SVM和XGB模型,使用实验数据对电特性.
• 模型解释以确定原料特征 (如灰含量) 和HTC参数 (如温度,固体/液体比率) 的影响.
• 通过特征再检查和多任务学习优化XGB模型,然后使用小麦草进行实验验证.

主要成果:

• ML模型显示可接受的预测性能,R平方值在0.825到0.985之间,RMSE在1.119到5.426.之间.
• 与RF和SVM相比,XGB模型表现出优越的性能.
• 原料灰含量,反应温度和固体与液体的比率被确定为最有影响力的因素.
• 一个优化的XGB多任务模型实现了改进的泛化,R-平方为0.927和RMSE为3.279.

结论:

• 机器学习,特别是XGB,提供了一种强大而高效的工具,用于预测燃料的性能.
• 通过ML识别关键HTC参数有助于优化炭生产.
• 该研究证实了ML应用在推进水电工程和可持续生物质转换方面的巨大潜力.