Data-Driven Machine Learning Approach for Predicting the Higher Heating Value of Different Biomass Classes
Notice bibliographique
Résumé
Higher heating values (HHV) is a very useful parameter for assessing the design and large-scale operation of biomass-driven energy systems. HHV is conventionally measured experimentally with an adiabatic oxygen bomb calorimeter. This procedure is often time-consuming and expensive. Furthermore, limited access to the required facilities is the main bottleneck for researchers. Empirical linear and nonlinear models have initially been proposed to address these concerns. However, most of the models showed discrepancies with experimental results. Data-driven machine learning (ML) methods have also been adopted for HHV predictions due to their suitability for nonlinear problems. However, most ML correlations are based on proximate or ultimate analysis. In addition, the models are only applicable to either the originator biomass or one specific type. To address these shortcomings, a total of 227 biomass datasets based on four classes of biomass, including agricultural residue, industrial waste, energy crop, and woody biomass, were employed to develop and verify three different ML models, namely artificial neural network (ANN), decision tree (DT) and random forest (RF). The model incorporates proximate and ultimate analysis data and biomass as input features. RF model is identified as the most reliable because of its lowest mean absolute error (MAE) of 1.01 and mean squared error (MSE) of 1.87. The study findings can be used to predict HHV accurately without performing experiments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».