Optimization of Rubber Seed Oil Transesterification to Biodiesel Using Experimental Designs and Artificial Neural Networks
Notice bibliographique
Résumé
The development of biofuels is driven both by concern about the greenhouse effect and by interest in the opportunities for exploitation of biomass of agricultural origin. In order to improve the yield and quality of biodiesel through modeling and optimization, several studies are in progress. In this paper, biodiesel produced from rubber seed oil in the homogeneous transesterification is studied using a Plackett-Burman experimental design, a full factorial design, a central composite design and an Artificial Neural Network (ANN) coupled with a Genetic Algorithm (GA).Variables such as temperature, stirring speed, reaction time, type of alcohol, and type of catalyst are studied to obtain the best specific gravity and kinematic viscosity. Type of alcohol and type of catalyst have the greatest effect on the two responses, with ethanol (alcohol) and sulphuric acid (catalyst) producing the best results. The specific gravity and kinematic viscosity changes recorded during the transesterification process followed the first and second order polynomial models, respectively. The ANN coupled with GA was used to optimize the two responses simultaneously. Global optimal values of specific gravity (0.883) and kinematic viscosity (6.76 cSt) were recorded when a temperature of 90°C, a stirring speed of 305 rpm, and a treatment time of 141 min were imposed.
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 ».