机器学习框架来预测纤维素生物质热解的产品分布
Leonardo Voltolini1, Fernando Arrais Romero Dias Lima2, Carine Menezes Rebello3
1School of Chemistry, EPQB, Universidade Federal do Rio de Janeiro (UFRJ), P.O. Box 68542, Rio de Janeiro, 21941-909, RJ, Brazil.
Bioresource technology
|June 16, 2025
概括
本研究引入了一个可解释的机器学习框架,用于生物质热解,在预测热解产品方面实现了高精度. 符号回归模型显示出优越的概括性,有助于生物质转换过程中的决策.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 计算化学计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 生物质热解是复杂的,使得第一原则建模具有挑战性.
- 机器学习提供了一个替代方案,但面临着数据稀缺和可解释性问题.
- 可解释的模型对于理解和优化生物质转化至关重要.
研究的目的:
- 开发一个可解释的机器学习框架,用于生物质热解.
- 使用固定床基纤维素生物质热解实验的数据.
- 提高对生物质热解过程的理解和决策.
主要方法:
- 提出了构建机器学习模型的质量变化基础.
- 实现的人工神经网络 (ANN) 和符号回归 (SR) 模型.
- 使用SHAP和PLS评估特征重要性,PLS确定SR的最佳特征.
主要成果:
- 在ANN和SR模型中,测试组中的所有阶段产品都实现了R2>0.85.
- 在煤炭和气体阶段的抽象测试中,SR模型显示出优越的概括 (R2>0.9).
- 不确定性评估提高了SR模型的稳定性和预测稳定性.
结论:
- 开发的框架为生物质热解模型提供了一个有价值的,可解释的工具.
- 该方法有助于理解复杂的化学过程,并支持决策.
- 符号回归显示出对稳健的生物质热解预测有希望,但对高石油产量有限制.
