通过机器学习辅助的反向设计,通过生物CO2转换来升级沼气
Jiasi Sun1, Yue Rao1, Zhen He1
1Department of Energy, Environmental and Chemical Engineering, Washington University in St. Louis, St. Louis, MO 63130, USA.
Bioresource technology
|March 10, 2024
概括
这项研究开发了先进的XGBoost模型,以优化沼气升级,提高甲 (CH4) 生产和 (H2) 效率. 数据驱动的方法提高了可再生能源发电的一致性和可持续性.
科学领域:
- 生物技术和生物工程 生物技术和生物工程
- 可再生能源可再生能源是可再生能源.
- 环境科学 环境科学
背景情况:
- 通过二氧化碳生物转化为CH4的生物气体升级是能源脱碳的关键.
- 优化运行参数,如CH4%和H2利用率至关重要,但由于实验室条件不一致而受到阻碍.
- 现有的模型难以同时优化多个操作条件.
研究的目的:
- 开发一个强大的,数据驱动的方法来优化生物气升级过程.
- 克服现有模型在同时优化多个操作参数方面的局限性.
- 提高可持续甲生产的效率和一致性.
主要方法:
- 使用文献数据开发了两个XGBoost模型 (R2=0.779,R2=0.903).
- 将嵌入式模型嵌入到多目标粒子群优化算法中.
- 在优化条件下对实验结果进行验证预测.
主要成果:
- 实现了高模型准确度,用于预测沼气升级性能.
- 实验验证显示了较低的相对误差:CH4%的8.50%和H2转化率的2.95%.
- 证明了成功同时优化多个操作参数.
结论:
- 拟议的数据驱动方法有效地简化了生物气的升级.
- 这种方法提高了从生物气中生产甲的效率和一致性.
- 提供了一条通往更可持续和可靠的可再生能源解决方案的道路.
