Modelling nitrogen oxide emission trends from the municipal solid waste incineration process using an adaptive bi‐directional long and short‐term memory network
Notice bibliographique
Résumé
Abstract Accurately predicting trends in NOx emission is essential for effectively controlling pollution in municipal solid waste incineration (MSWI) power plants. However, the MSWI process exhibits notable dynamic nonlinearity, time series characteristics, and fluctuations that are distinct from those present in fossil fuel combustion processes. Therefore, the model must possess excellent capabilities in handling time series and nonlinear features while achieving adaptive updates to account for complex working conditions. To address these issues, we have developed a robust prediction model for NOx emission trends using the bi‐directional long short‐term memory (Bi‐LSTM) deep learning algorithm. This model encompasses maximum information coefficient and expert experience for input variables selection, parameter optimization using the linear inertial weight particle swarm algorithm (LDWPSO), and an adaptive update strategy based on probabilistic statistics. The prediction performance of this model was compared to that of the traditional and widely used backpropagation neural network (BPNN), extreme learning machine (ELM), and LSTM. Furthermore, we verified the adaptive update effect of the proposed model using additional data. The results demonstrate that the proposed model exhibits robust prediction and adaptive capabilities. This study's originality is presenting a satisfactory trend prediction for NOx emission from the MSWI process using an adaptive LDWPSO‐(Bi‐LSTM) model. It will be essential for the optimization and control of NOx emissions from the MSWI 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 | 0,001 | 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 ».