机器学习用于高固体无氧消化:性能预测和优化

科学领域:

• 生物技术和生物化学工程 生物技术和生物化学工程
• 环境科学中的人工智能
• 可再生能源系统可再生能源系统

背景情况:

• 通过无氧消化 (AD) 生产生物气是一种复杂的生物过程,需要精确的控制来优化.
• 了解AD动态对于提高生物气发电效率和稳定性至关重要.
• 高固体系统在沼气生产建模和控制方面存在独特的挑战.

研究的目的:

• 开发和评估机器学习模型,用于预测高固体无氧消化系统中的沼气产量.
• 为了确定最准确的机器学习算法用于生物气产量预测.
• 评估输入变量对模型性能的影响,并确定影响生物气产量的关键因素.

主要方法:

• 使用机器学习算法开发预测模型:支持矢量机 (SVM),额外树 (ET),决策树 (DT),高斯过程回归 (GPR) 和K-最近邻居 (KNN).
• 使用了两个不同的数据集,输入变量数量不同 (数据集-1:10个输入,数据集-2:5个输入).
• 统计分析用于比较模型性能,并评估数据集之间的差异的重要性.

主要成果:

• 支持矢量机 (SVM) 显示了最高的预测准确度,数据集-1 实现了 91% 的 R2 值,数据集-2 达到 87% 的 R2 值.
• 统计分析 (p=0.377) 表明数据集之间的准确性没有显著差异,这表明使用更少的输入可以进行准确的预测.
• 装载速度和保留时间被确定为影响生物气产量预测的关键因素.

结论:

• 机器学习,特别是SVM,为高固体无氧消化中准确预测生物气产量提供了一种可行的方法.
• 该研究强调了人工智能 (AI) 优化和控制AD过程的潜力,提高了生物气厂的性能.
• 一个通用的人工智能驱动型号可以有助于提高生物气生产系统的效率和可靠性.