对生物降解废物PCM进行热能储能系统的批判性分析进行全面审查,使用机器学习和深度学习来预测动态行为

科学领域:

• 材料科学 材料科学 材料科学
• 可持续能源 可持续能源
• 废物管理 废物管理

背景情况:

• 越来越多的人对化石燃料的依赖和环境影响的担忧,需要创新的储能解决方案.
• 变相材料 (PCM) 对于热能存储至关重要,但传统来源存在局限性.
• 使用废物衍生材料制造PCM是一种可持续的替代方案,符合循环经济原则.

研究的目的:

• 探索可生物降解的废物衍生相变材料 (PCM) 对于储能系统的潜力.
• 突出环境效益,包括减少废物和尽量减少温室气体排放.
• 审查提高PCM性能和预测建模方面的进展.

主要方法:

• 对基于可生物降解废物的PCM进行当前研究的审查.
• 讨论纳米技术的整合,以提高导热性.
• 分析机器学习和深度学习模型来预测PCM动态行为.

主要成果:

• 支持向量回归 (SVR) 模型,特别是高斯辐射基函数内核,在捕捉与热有关的问题时显示了4%的调整平均绝对误差.
• 人工神经网络 (ANN) 模型与数值模型相比,更好地预测了管热量和热量流.
• 模型选择 (SVM,ANN,ANFIS,梯度提升,线性回归) 是针对材料性质预测和热性能洞察的数据集和特定应用程序.

结论:

• 基于可生物降解废物的PCM提供了一个有前途的途径,以实现节能和可持续的热储.
• 纳米技术和先进的计算技术 (ML/DL) 是优化PCM性能和可预测性的关键.
• 需要进一步的研究,以便从这个不断发展的领域中所呈现的结果中得出具体的结论.