使用RSM和机器学习模拟和优化从甘包中活性碳产量

科学领域:

• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.
• 环境科学 环境科学

背景情况:

• 对于可持续的水处理解决方案的需求日益增长.
• 活性炭 (AC) 对于净水至关重要.
• 甘包油为交流电生产提供了一种可再生资源.

研究的目的:

• 优化从甘中提取活性炭 (AC) 的生产.
• 建模操作参数与交流电产量之间的关系.
• 评估不同的预测模型的性能,以优化流程.

主要方法:

• 使用Box-Behnken实验设计来研究关键变量 (温度,激活时间,比率,度).
• 采用响应表面方法 (RSM),支持矢量机 (SVM) 和人工神经网络 (ANN) 来进行预测建模.
• 集成实验数据与计算建模用于流程优化.

主要成果:

• 所有开发的模型都显示出强大的AC收益率预测能力.
• 人工神经网络 (ANN) 实现了 R = 0.989 ± 0.003.3.
• 响应表面方法 (RSM) 表明总体匹配度最高,R = 0.996 ± 0.002.

结论:

• 将实验设计与机器学习相结合,可以提高流程优化的精度和效率.
• 拟议的混合方法提供了一种可扩展和可持续的方法,用于从农业废物中生产交流电.
• 优化交流生产对环境修复和水净化技术具有重大潜力.