Performance Prediction and Interpretation of a Refuse Plastic Fuel Fired Boiler
Notice bibliographique
Résumé
In order to cater to the energy requirement in the form of steam at a reasonable cost, the process industries are relying on the waste incineration plants by engaging themselves through industry symbiosis. However, before the establishment of industrial symbiosis, it is very crucial to monitor and predict the operational performance of the boiler used in the waste incineration plants. The existing works focus on using Artificial Neural Networks (ANNs) for prediction of the performance of the boiler in terms of pressure, temperature, and mass flow rate of steam using the input parameters viz. feed water temperature, feed water pressure, incinerator exit temperature and conveyor speed. However, the problem with this approach is that shallow ANNs cannot model the complex mathematical non-linear relationships so precisely. In addition, ANNs are not interpretable which makes stakeholders apprehensive to use these networks in production. In this paper, we address these drawbacks of ANNs by modeling the complex relationship governing the boiler performance by using a set of machine learning and deep learning models. Also, the research paper introduces multiple techniques like feature importance, Partial Dependence Plots(PDP) plots etc. which interpret the reason behind the model's output to make it more reliable for the stakeholders. It has been empirically shown that the new Machine Learning and Deep Learning models performed better than the ANNs for predicting the boiler performance. The Random Forest model made a Mean Absolute Percentage Error (MAPE) of 1.12 and LSTMs had a MAPE of 1.14 in the prediction of steam temperature C <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">o</sup> which is a significant improvement in comparison to the original ANN model which had a MAPE of 6.93. In the case of the predictions for steam pressure kgf /cm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> the MAPE for the Random Forest model and LSTM was 5.54 and 4.21 respectively as compared to ANNs MAPE of 1.49. Similarly for steam mass flow rate(t/h), the MAPE was improved to 15.6 and 9.63 by Random Forest Model and LSTM respectively, which was originally 18.77 for ANN based model. These results clearly show that LSTM based models outperformed ANNs and Random Forests in terms of prediction accuracy.
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 ».