深度学习增强了从有机固体废物中获得生物油产量的预测框架,具有化学信息的特征.
Shahad Almansour1, Lulwah M Alkwai2, Kusum Yadav2
1Applied College, University of Ha'il, Ha'il, Kingdom of Saudi Arabia. shahad.mousa@uoh.edu.sa.
Scientific reports
|March 17, 2026
概括
从有机固体废物热解中准确预测生物油产量,使用一种新的深度学习框架进行了改进. 这种基于化学信息的模型增强了生物质的价值化和环保的生物油生产.
科学领域:
- 生物质的价值化 生物质的价值化
- 热化学转换 热化学转换 热化学转换
- 机器学习应用 机器学习应用
背景情况:
- 由于现有的机器学习模型的数据变化和局限性,预测有机固体废物热解的生物油产量具有挑战性.
- 浅层模型难以捕捉复杂的热化学相互作用,这些相互作用控制了脱氧化和液体形成.
研究的目的:
- 开发一个深度学习预测框架,以准确估计生物油产量.
- 通过使用协调数据集和先进的功能工程来解决现有模型的局限性.
主要方法:
- 使用了245个不同生物质样本和热解条件的协调数据集.
- 采用化学导向的特征工程 (元素比,灰调整波动性,能量密度指数).
- 应用变量膨胀因子 (VIF) 用于特征选择以减少多对线性.
主要成果:
- 在新数据上,混合DNPO模型实现了0.980的R2和1.14的RMSE.
- 超越了基准回归模型的表现,包括光梯度增强 (LGB).
- 在预测生物油产量方面表现出卓越的准确性和稳定性.
结论:
- 开发了一个基于热化学的,化学信息的深度神经预测框架.
- 该模型整合了原料描述符和操作条件,以提高生物油产量预测.
- 该框架是生物油生产中实验设计和流程优化的可靠工具.
