应用基于机器学习的多式联机分析,用于NaOH预处理生物质的生物甲产量
Oluwatobi Adeleke1, Kehinde O Olatunji2,3, Daniel M Madyira1
1Department of Mechanical Engineering Science, University of Johannesburg, Johannesburg, South Africa.
Scientific reports
|July 8, 2025
概括
性预处理显著增加了Xyris capensis生物甲产量的91-143%. 机器学习和可解释的AI确定了最佳条件和预测的产量,强调暴露时间是关键因素.
科学领域:
- 生物质能源转换生物质能源转换
- 无氧消化消化无氧消化
- 基纤维素生物质的价值化
背景情况:
- 细胞生物质的无氧消化对于可持续的能源生产至关重要.
- 优化预处理方法是提高生物甲产量的关键.
- 将先进的数据分析与实验研究相结合,可以提供更深入的见解.
研究的目的:
- 研究性预处理对Xyris capensis生物甲产量的影响.
- 应用机器学习 (ML) 和可解释AI (XAI) 来预测和理解生物甲生产.
- 确定最佳预处理条件和影响最大化生物甲产量的因素.
主要方法:
- 实验:性预处理 (NaOH度,暴露时间),然后进行无氧消化 (35天).
- 计算:用于预测的ML模型 (ANN,RF,SVM,DT),用于特征重要性的SHAP,用于缩小维度的PCA,用于集群的k-means.
- 数据分析:使用SHAP值进行相关映射和特征排名.
主要成果:
- 性预处理使生物甲产量增加了91-143%.
- 在较高的NaOH度和较短的暴露时间下获得最佳产量.
- SHAP分析发现暴露时间是最有影响力的负面因素;NaOH度和保留时间是积极的贡献者.
- 随机森林模型显示出更高的预测准确度 (VAF 99.07%).
- 在3个主要组件中,PCA捕获了86%的数据变异;k-means确定了3个集群,其中集群-0显示了最佳预处理和最高产量.
结论:
- 性预处理有效地提高了Xyris capensis的生物甲产量.
- 数据驱动的方法,包括ML和XAI,为无氧消化过程提供了强大的洞察力.
- 这种综合方法可以优化从基纤维素生物质中生产生物甲.
