通过整体机器学习对生物质气化进行高精度多目标预测和可解释性分析

科学领域:

• 热化学过程 热化学过程
• 生物质能源转换生物质能源转换
• 计算建模计算建模

背景情况:

• 机器学习 (ML) 为复杂的热化学过程 (如气化) 提供了强大的非线性拟合.
• 数据预处理,包括归算,编码和标准化,对于提高机器学习模型中的数据质量至关重要.

研究的目的:

• 评估六种主流ML模型的性能,以预测生物质气化产品的成分,产量和效率.
• 为了比较超参数优化策略和整体方法来提高预测准确度.
• 为气化技术的选择和设计提供可靠的决策支持.

主要方法:

• 应用数据归算,分类变量编码和标准化来提高数据质量.
• 通过使用四种超参数优化策略,训练和评估了六种ML模型.
• 综合方法,包括加权平均,用于整合单个模型的优势.
• 全球和本地可解释性技术被用于分析模型预测.

主要成果:

• 大多数ML模型在优化后实现了超过0.90的确定系数 (R).
• 与单一模型方法相比,组合模型显示出更高的性能.
• 权重平均组合实现了0.9251的平均测试R ²,超过了单个模型的表现.
• 可解释性技术为预测驱动因素提供了洞察力.

结论:

• 机器学习,特别是组合方法,为生物质气化提供了高精度的预测能力.
• 优化的ML模型和可解释性工具提高了气化过程设计和投资的决策.
• 这项研究验证了先进的ML技术在优化热化学过程模拟方面的有效性.