通过机器学习和实验方法评估最大限度地提高生物燃料的生产和使用
Krishnamoorthy Ramalingam1,2, Mohd Zulkifly Abdullah3, P V Elumalai4
1School of Mechanical Engineering, Engineering Campus, Universiti Sains Malaysia, 14300, Nibong Tebal, Penang, Malaysia. kskrishnamech@gmail.com.
Scientific reports
|September 27, 2025
概括
这项研究优化了使用可持续的蛋催化剂和机器学习的废弃油生物柴油生产. 最好的模型预测了95%的产量,在发动机测试中排放量较低,效率略有变化.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 可持续能源 可持续能源
- 机器学习应用 机器学习应用
背景情况:
- 废食用油 (WCO) 是生物柴油生产的可持续原料.
- 传统的生物柴油合成通常依赖于同质的催化剂,这可能是昂贵和环境负担.
- 优化转化需要理解反应参数之间的复杂相互作用.
研究的目的:
- 将WCO的实验生物柴油生产与先进的机器学习 (ML) 进行整合,以优化工艺.
- 为了评估从蛋中获得的新型,可重复使用的CaO催化剂的可负担性和可持续性.
- 评估产生的生物柴油的发动机性能和排放.
主要方法:
- 使用从蛋中获得的CaO催化剂进行WCO的转化.
- 系统的实验设计变化催化剂度,反应温度和甲醇与油的比率.
- 用于产量预测的四个增强的ML算法 (XGBoost,AdaBoost,GBM,CatBoost) 的应用和比较分析.
- 通过网格搜索和使用k-fold交叉验证和残余图表的模型验证进行超参数调整.
- 合成生物柴油的发动机性能测试.
主要成果:
- 在预测生物柴油产量方面,CatBoost表现优越 (R2 = 0.955).
- 在最佳条件下,预计在3%的催化剂度,80°C和6:1的摩尔比率下,最大产量为95%.
- 甲醇与油的比率和催化剂度被确定为影响产量的最重要的参数.
- 与柴油相比,生物柴油的二氧化碳排放量降低了26%,烟雾排放量减少了13%.
- 发动机测试显示,制动热效率略有下降 (2.83%) 和燃料消耗略有增加 (4.31%).
结论:
- 可持续的蛋衍生的CaO催化剂和可解释的ML的整合为优化WCO生物柴油生产提供了有效的策略.
- 开发的ML模型准确预测生物柴油产量,促进数据驱动的过程改进.
- 通过这种方法生产的生物柴油在减少排放方面显示出显著的环境效益,验证了其实际应用.
- 这种方法为更清洁的能源解决方案和可再生燃料研究的先进优化铺平了道路.
