使用机器学习和可解释的人工智能预测皮革废物气化的气和甲产量:原始数据集

科学领域:

• 生物质气化生物质气化
• 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:

• 准确的合成气组成预测对于能源生产效率和环境可持续性至关重要.
• 有限的公开可用的数据集阻碍了用于合成气分析的机器学习的进步.
• 现有的数据集往往缺乏足够的样本大小来进行强大的模型训练.

研究的目的:

• 通过创建和共享一个全面的数据集来解决合成气数据集的稀缺问题.
• 确定最有效的机器学习模型,用于预测合成气中的 (H2) 和甲 (CH4) 度.
• 使用可解释AI (XAI) 分析特征的重要性,以更好地理解预测驱动因素.

主要方法:

• 在受控的实验室条件下生成了3748个合成气样本的数据集.
• 评估了九个机器学习模型:随机森林,线性回归,决策树,支持矢量回归 (线性和RBF),K-最近邻居,梯度增强回归器,XGBoost,CatBoost和LightGBM.
• 使用R2,RMSE,MAE,MAPE和EVS评估模型性能,弗里德曼测试证实了统计学意义. 综合的沙普利添加式解释 (SHAP) 用于特征分析.

主要成果:

• K-最近邻居 (KNN) 模型对H2 (R2 = 0.987,RMSE = 1.253) 和CH4 (R2 = 0.979,RMSE = 0.920) 的预测准确度最高.
• 评估模型之间的性能差异具有统计学意义 (p < 0.001).
• SHAP分析确定温度和时间是影响H2和CH4预测的主要特征.

结论:

• 在预测合成气H2和CH4度方面,KNN模型非常有效.
• 新生成的,公开可用的数据集显著推进了合成气组成预测研究.
• 整合可解释AI (XAI) 方法可以提高机器学习模型在这个领域的可解释性和可靠性.