Forecast of NOx Emissions for a 660MW Coal-Fired Boiler with Multilayered Gradient Boosting Decision Tree Considering Multiple Operating Modes
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Nitrogen oxides (NOx) are among the primary pollutants emitted by coal-fired power plants. Accurate prediction of NOx concentrations at the boiler outlet is crucial for optimizing unit control and reducing emissions. This study introduces a data-driven NOx emissions prediction methodology based on a multilayered Gradient Boosting Decision Tree (mGBDT) framework. Initially, Kernel Independent Component Analysis (KICA) is employed to eliminate nonlinear correlation among collected auxiliary variables. Subsequently, high-quality variables, grounded in physical mechanisms, are integrated with the extracted independent features. The robust Gaussian Mixture Model (RGMM) is then applied to capture the intrinsic multimode operational characteristics from these integrated features. Finally, local mGBDT-based NOx emissions prediction models are developed for each identified mode. The optimal hyperparameters for each local model are determined using Particle Swarm Optimization (PSO) and 10-fold cross-validation techniques. Utilizing historical measurements from the studied boiler, the proposed framework achieved a square of correlation coefficient ( R 2 ) of 0.947, a root-mean-square error (RMSE) of 6.09 mg/m 3, and a mean absolute error (MAE) of 4.009 mg/m 3, outperforming five comparison models.
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 | 0,001 |
| 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 ».