机器学习方法用于从初步分析中预测生物质废物热解动力学
1Wuhan Railway Vocational College of Technology, Wuhan 430205, China.
ACS omega
|December 16, 2024
概括
人工神经网络 (ANN) 模型准确预测生物质热解动力学. 用纤维素,半纤维素和素等生物质成分优化ANN模型显著提高了激活能的预测准确性.
科学领域:
- 生物质能源转换生物质能源转换
- 化学工程是化学工程的组成部分.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 生物质热解是一种关键的热化学转化过程.
- 准确预测热解动力学对于过程优化至关重要.
- 机器学习为模拟复杂的运动行为提供了潜力.
研究的目的:
- 开发人工神经网络 (ANN) 模型来预测生物质热解动力学.
- 评估不同输入参数集的ANN模型准确性.
- 使用优化算法提高预测准确度.
主要方法:
- 收集了32种生物质类型的热重力测量分析和原料表征数据.
- 开发了三种ANN模型,使用终极分析,近距离分析和基于组件 (纤维素,半纤维素,素) 的输入.
- 利用粒子群集优化来完善反向传播ANN (BP-ANN) 模型.
主要成果:
- 对于不同的输入集,ANN模型实现了20.80%,14.06%和12.85%的预测偏差.
- 基于组件的输入 (纤维素,半纤维素,素) 产生了最高的准确性.
- 优化的BP-ANN模型将激活能量预测的最大偏差从12.85%降至6.72%.
结论:
- ANN模型是预测生物质热解动力学的有效工具.
- 生物质组成,特别是纤维素,半纤维素和素含量,对于准确的动力学建模至关重要.
- 粒子群集优化显著提高了生物质热解ANN模型的预测性能.
