Artificial neural network modeling to predict the efficiency of phosphoric acid-hydrogen peroxide pretreatment of wheat straw
Notice bibliographique
Résumé
Phosphoric acid-hydrogen peroxide (PHP) pretreatment is an effective method to obtain a cellulose-enriched fraction from biomass. In this study, artificial neural network (ANN) was used to predict PHP pretreatment efficiency of cellulose content (C-C), cellulose recovery (C-Ry), hemicellulose removal (H-Rl), and lignin removal (L-Rl) under various conditions of pretreatment time (t), temperature (T), H3PO4 concentration (Cp), and H2O2 concentration (Ch). The final optimized topology structure of the ANN models had 1 hidden layers with 9 neurons for C-C and 10 neurons for C-Ry, 10 neurons for H-Rl, and 12 neurons for L-Rl. The actual testing data fit the predicted data with R2 values ranging from 0.8070 to 0.9989. The relative importance (RI) revealed that Cp and Ch were significant factors influencing the efficiency of PHP pretreatment with total RI values ranging from 12% to 62.6%. However, their weights for the three components of biomass were different. The value of T dominated hemicellulose removal effectiveness with an RI value of 78.6%, while t did not seem to be a main factor dominating PHP pretreatment efficiency. The results of this study provide insights into the convenient development and optimization of biomass pretreatment from ANN modeling perspectives.
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 | 0,001 |
| 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 ».