相关实验视频
Updated: May 6, 2026
08:43
Transformation of Organic Household Leftovers into a Peat Substitute
Published on: July 9, 2019
8.8K
开发可靠的机器学习模型,以估计基于生物质近距离分析的高加热值和产量
Guoliang Hou1, Ahmad Alkhayyat2, Ahmad Almalkawi3
1School of Mathematics, Changchun Normal University, Changchun, 130032, Jilin, China. houguoliang@ccsfu.edu.cn.
Bioresources and bioprocessing
|December 3, 2025
概括
这项研究开发了一种机器学习模型,通过近距离分析生物质来预测碳的产量和更高的加热值 (HHV). CatBoost 模型实现了高精度,识别了用于生物质价值化的关键因素,如灰含量和温度.
科学领域:
- 生物质的价值化和转化技术.
- 机器学习在化学工程中的应用.
- 可持续能源和材料科学.
背景情况:
- 水热碳化 (HTC) 将生物质转化为,一种有价值的材料.
- 预测电机产量和更高的加热值 (HHV) 对于优化HTC过程至关重要.
- 准确的预测模型需要全面的数据集和强大的分析方法.
研究的目的:
- 开发和验证一个机器学习框架,用于预测碳和HHV的产量.
- 为了比较各种机器学习算法对HTC结果预测的性能.
- 确定影响碳化合物特性的关键生物质近距离分析参数.
主要方法:
- 编制了481个生物质样本的数据集,包括近距离分析和HTC参数.
- 蒙特卡罗异常检测 (MCOD) 用于数据清理.
- 评估了13个机器学习算法,包括CNN,整体方法 (CatBoost,LightGBM,XGBoost) 和其他.
- 用SHAP (夏普利增量解释) 分析来解释模型预测.
主要成果:
- CatBoost表现出卓越的性能,HHV预测的R2为0.98,收益率预测的R2为0.94.
- 高高温的关键预测因素包括灰含量,而温度,水含量和固定碳对产量具有重要意义.
- 该框架有效地模拟了HTC的结果,支持基于数据的生物质价值化.
结论:
- 梯度增强模型,特别是CatBoost,对于预测电产量和HHV非常有效.
- 生物质近距离分析数据与机器学习相结合,为优化HTC流程提供了强大的工具.
- 这种方法促进了有效和可持续的生物质价值化策略.
