通过使用K-fold集成机器学习模型优化生物燃料产量百分比的评估,以实现可持续的未来
Krishnamoorthy Ramalingam1,2, Mohd Zulkifly Abdullah1, Perumal Venkatesan Elumalai3
1School of Mechanical Engineering, Engineering campus, Universiti Sains Malaysia, Nibong Tebal, Penang, Malaysia.
PloS one
|August 14, 2025
概括
这项研究利用机器学习优化了从香皮废物中生产生物燃料的方法. 通过优化反应温度,催化剂度和甲醇与油的比率,多项式回归实现了最高的收益率 (95.38%).
科学领域:
- 可持续能源 可持续能源
- 生物技术是生物技术.
- 化学工程是化学工程的重要组成部分.
背景情况:
- 能源需求的增加和城市固体废物需要可持续的废物能源解决方案.
- 香皮废弃物为生物燃料生产提供了可行的生物质来源.
研究的目的:
- 为了最大限度地提高从香皮催化剂废物中获得的生物燃料生产产量.
- 使用机器学习模型和k-fold交叉验证优化过程参数.
主要方法:
- 使用多项式回归 (PR),决策树 (DT),随机森林 (RF) 和线性回归 (LR) 模型.
- 优化反应温度 (RT),催化剂度 (CC) 和甲醇与油的摩尔比率 (MOR).
- 采用k倍交叉验证,通过平衡偏差和差异来选择最佳模型.
主要成果:
- 多项式回归 (PR) 在预测生物柴油产量方面表现优异 (R2 = 0.956).
- 在k倍验证中,PR获得了最高的0.868的平均R2.
- 优化的参数 (RT: 59°C,CC: 2.96%,MOR: 9.21) 预测生物燃料的最大产量为95.38%.
结论:
- 机器学习,特别是PR,有效地优化了从生物质废物中生产生物燃料.
- 该研究支持工业废物能源应用和可持续能源发展.
- 确定了从香皮废物中最大限度地提高生物燃料产量的最佳条件.
