Comparison of various machine learning techniques for modeling the heterogeneous acid-catalyzed alcoholysis process of biodiesel production from green seed canola oil
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multiple machine learning (ML) algorithms were developed using artificial intelligence, including Linear Regression (LR), Decision Tree (DT), Random Forest (RF), and K-Nearest Neighbor (KNN), to predict the yield of biodiesel production in an acid-catalyzed alcoholysis process using green seed canola oil. Catalyst loading, methanol-to-oil (M/O) molar ratio, and reaction time were considered as input parameters, while the yield of biodiesel production was selected as the output parameter. The performance of the developed ML models was assessed using evaluation metrics such as the coefficient of determination (R 2 ) and the root mean squared error (RMSE). The R 2 values obtained for LR, RF, DT, and KNN models were 0.80, 0.95, 0.97, and 0.84, respectively. Furthermore, the corresponding RMSE values for these models were 2.48, 1.51, 0.89, and 4.51, respectively. According to the results, the DT model exhibited superior accuracy and reliability for predicting biodiesel production compared to the other models. The values of the input variables to potentially yield the highest biodiesel output were identified through a systematic trial-and-error approach using the DT model. The results showed that a biodiesel yield of 88 % can be achieved with 5 wt% catalyst loading, a 22 M/O molar ratio, and a reaction time of 5 hours. • Efficiency of multiple machine learning algorithms in forecasting biodiesel yield from green seed canola oil. • Correlation between process variables and output performance in a biodiesel production system using Machine Learning. • Potential of Decision Tree model in optimizing biodiesel process conditions in acid-catalyzed alcoholysis.
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.
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 découle