通过人工神经网络在燃烧大气层下的不同生物质的主要空气污染物的估计

科学领域:

• 环境科学 环境科学
• 化学工程是化学工程的重要组成部分.
• 计算科学 计算科学

背景情况:

• 生物能源的生物燃料燃烧产生有害的气体排放 (CO,CO2,NOx,SOx).
• 对像巴西东北部 (NEB) 这样的区域生物群体来说,对这些排放的实验性确定是昂贵的,耗时的,具有挑战性的.
• 准确的排放数据对于环境和健康影响评估至关重要.

研究的目的:

• 应用人工神经网络 (ANN) 来预测直接生物质燃烧产生的关键空气污染物 (CO,CO2,NO,SO2).
• 使用最终分析数据 (C,H,N,S,O) 作为ANN的输入.
• 为获得排放数据提供一个可行的替代方案,克服NEB生物质的实验限制.

主要方法:

• 雇佣的ANN接受了来自全球116个生物质的最终分析数据的培训.
• 使用k-fold交叉验证来优化ANN架构.
• 使用统计错误指标 (MAPE,MAE,RMSE) 和皮尔森相关性来评估ANN的表现.

主要成果:

• 在各种架构中,ANN模型显示了可接受的统计性能.
• 实现了低的平均绝对百分比误差 (MAPE),范围为0.001-12.41%.
• 预测NEB生物质排放的准确性很高, CO 的平均差异约为 0.01%, CO2 的 10^-6%, NO 的 0.14%, SO2 的 0.05%.

结论:

• ANN提供了一种精确有效的方法,用于预测生物质燃烧产生的空气污染物排放.
• 开发的模型有效地将最终分析与排放度相关联.
• 这种方法克服了实验的局限性,并促进了对区域生物质的排放评估.