Comparison of various machine learning techniques for modeling the heterogeneous acid-catalyzed alcoholysis process of biodiesel production from green seed canola oil
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.
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 | 0,001 | 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) | 0,000 | 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 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 ».