A Bayesian learning and data mining approach to reaction system identification: Application to biomass conversion
Notice bibliographique
Résumé
The growing environmental concern over the use of fossil fuels calls for alternative sources of energy with smaller environmental footprint, and biomass-derived fuels have been extensively investigated as a substitute. In biofuels production, the development of reaction networks and kinetic models is unquestionably a major challenge due to the difficulty in characterizing the reaction products. Therefore, there is a need for a better way to retrieve the information about the reaction from the available experimental data. This study uses a data mining and Bayesian learning approach to estimate the reaction network of the acid and base catalyzed hydrous pyrolysis of hemicellulose from Fourier Transform Infrared (FTIR) spectroscopy. Cluster analysis is used to model the system in terms of lumps and a Bayesian network structure-learning algorithm is then used to device a reaction network. Three Bayesian network structure-learning algorithms were implemented to estimate the reaction network. The results from each were identical, indicating that the model representing the reaction network is most probably in the optimal equivalence space. The model was compared against expert-based reaction models and the agreement is encouraging. A useful aspect of this model is its self-updating capability, i.e., the reaction model can provide a quantitative description of the effect of the change in the operation condition from spectroscopic data. Hence, the model may be used for the real time analysis of the investigated process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».