相关实验视频
Updated: Jun 30, 2026
11:39
High-throughput Saccharification Assay for Lignocellulosic Materials
Published on: July 3, 2011
13.3K
机器学习应用程序用于预测从化学激活的基纤维素生物质废物中产生的活性碳的关键性质
Rongge Zou1, Zhibin Yang2, Jiahui Zhang3
1Department of Biological Systems Engineering, Washington State University, 2710 Crimson Way, Richland, WA 99354, USA.
Bioresource technology
|March 23, 2024
概括
梯度增强回归 (GBR) 有效地预测活性炭 (AC) 属性,如表面积和孔径体积. 这种机器学习方法通过识别关键因素,如激活温度和浸泡程序来优化生物质衍生AC生产.
科学领域:
- 材料科学 材料科学 材料科学
- 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:
- 来自生物质的活性炭 (AC) 生产需要优化可取性质.
- 预测交流特性的传统方法可能是复杂和耗时的.
- 机器学习为提高预测准确性和过程控制提供了一个有希望的途径.
研究的目的:
- 应用渐变增强回归 (GBR) 来预测生物质衍生活性碳 (AC) 生产中的关键性质.
- 评估GBR在单步激活 (1-SA) 和双步激活 (2-SA) 过程中的有效性.
- 识别影响交流属性的关键过程变量.
主要方法:
- 使用渐变增强回归 (GBR),一种机器学习算法.
- 开发了使用17个独立变量为2-SA和14个独立变量为1-SA的模型.
- 在三个不同的数据集上训练并验证了GBR模型:1-SA,2-SA和组合数据集.
主要成果:
- 在1-SA数据集中实现了高R平方值:总孔积 (TPV) 0.76,产量 0.90,特定表面积 (SSA) 0.83.
- 在2-SA数据集中记录的R平方值为收益率为0.90,在组合数据集中为0.91.
- 确定浸泡过程和激活温度是影响1-SA和2-SA的AC特性的重要因素.
结论:
- 梯度增强回归 (GBR) 是预测交流电的性能和优化生产的成功工具.
- 该研究强调了在交流制造中浸泡过程和激活温度的重要性.
- 机器学习,特别是GBR,显示了提高交流生产流程效率和控制的巨大潜力.
更多相关视频
11:31High-throughput Screening of Recalcitrance Variations in Lignocellulosic Biomass: Total Lignin, Lignin Monomers, and Enzymatic Sugar Release
Published on: September 15, 2015
10.0K
10:44Preparation of Biomass-based Mesoporous Carbon with Higher Nitrogen-/Oxygen-chelating Adsorption for CuII Through Microwave Pre-Pyrolysis
Published on: February 12, 2019
9.9K
