基于机器学习的建模,以调查沙床反应堆中酸吸收剂的烟气脱硫性能

科学领域:

• 环境工程 环境工程
• 化学工程是化学工程的重要组成部分.
• 数据科学数据科学数据科学

背景情况:

• 烟气脱硫 (FGD) 对于控制工业来源的二氧化硫 (SO2) 排放至关重要.
• 传统的FGD方法需要优化以提高效率和减少环境影响.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测FGD过程中的SO2度.
• 确定最有效的ML模型及其最佳超参数,以准确预测SO2.

主要方法:

• 使用了四个输入参数 (湿度,吸收重量,温度,时间) 和一个输出 (SO2度) 的数据集.
• 开发和比较6个ML模型,使用R2和MSE等统计指标进行评估.
• 应用全球灵敏度分析 (GSA) 来确定输入变量对SO2度的影响.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,R2为0.9902和MSE为0.0008.
• 确定了最佳的射频超参数,以获得最大的预测准确度.
• GSA表示吸收重量和时间是影响SO2度的关键因素.

结论:

• ML,特别是射频模型,为FGD系统中的SO2预测提供了一个高度准确和有效的方法.
• 这项研究为优化FGD流程提供了一种新的方法,从而改善了排放控制.
• 这些发现支持将数据驱动技术整合到环境流程管理中.