混合数据驱动的机器学习模型用于预测红纤维素生物质气化性能
Hortência E P Santana1, Denise S Ruzene2, Isabelly P Silva3
1RENORBIO - Northeastern Biotechnology Network, Federal University of Sergipe, 49107-230 São Cristóvão-SE, Brazil; PROBIO - Graduate Program in Biotechnology, Federal University of Sergipe, 49107-230 São Cristóvão-SE, Brazil.
Bioresource technology
|January 15, 2026
概括
一个新的混合机器学习模型准确地预测了基纤维素生物质气化产生的结果,优化了能源生产. 这种方法减少了对各种原料的实验需求,促进了可持续燃料的发展.
科学领域:
- 生物质能源转换生物质能源转换
- 在热化学加工过程中进行热化学加工.
- 可持续的燃料 可持续的燃料
背景情况:
- 纤维素残留物的气化提供了一条通往有价值的能源和燃料的途径.
- 生物质热转换的挑战包括原料的变性和焦油的形成,阻碍了广泛采用.
- 建模对于优化气化过程和尽量减少实验成本至关重要.
研究的目的:
- 开发一种混合机器学习 (ML) 模型来预测气化性能.
- 预测各种基纤维素原料的气体产量,合成气组成和焦油度.
- 减少在优化生物质气化方面的实验性努力.
主要方法:
- 开发了一个混合ML模型,结合了梯度提升机 (GBM),XGBoost,CatBoost和NGBoost.
- 该模型是从使用k倍交叉验证和性能评估的十种ML方法中选择的.
- 培训数据包括来自31项研究的270个实验点,具有不同的纤维素化合物成分和加工条件.
主要成果:
- 个别算法的初始R2值在0.59到0.93.9之间.
- 超参数优化提高了预测准确性,实现了0.77到0.94.9之间的R2值.
- 模型可解释性工具量化了特征的影响,为预测机制提供了洞察力.
结论:
- 混合ML模型证明了对基纤维素生物质气化的高预测准确性.
- 这种方法可以显著减少过程优化的实验工作量.
- 该模型有助于有效地将多种类型的纤维纤维素残留物转化为能源和燃料.
