Optimizing hydrogen-rich gas production by steam gasification with integrated CaO-based adsorbent materials for CO2 capture: Machine learning approach
Notice bibliographique
Résumé
The sorption-enhanced steam gasification of biomass with an integrated carbon dioxide (CO 2 ) capture is a promising process for hydrogen production. By using machine learning (ML) approaches to reduce the amount of CO 2 , this study aimed for prediction and optimization of gaseous products with a higher concentration of hydrogen. ML schemes are applied to hydrogen-rich syngas produced through calcium oxide-based adsorbent. Four predictive techniques are applied on the intrinsic constituents of biomass, adsorbents properties, steam gasification ratio, and temperature to predict the concentrations of hydrogen and CO 2 . The accuracies of ML models demonstrated high feasibility of ML to predict the hydrogen and CO 2 with R-squared (R 2 ) of 0.92; and 6.77 to 7.44 vol% of root-mean-square error (RMSE), respectively. Support vector machine (SVM) is optimized by tuning training data size and radial basis kernel ( rbf ) function. Also, the single and multi-objective(s) genetic algorithm approaches optimized the value of hydrogen concentration by Max f max ( H 2 ) by ∼84 and 88 vol%, respectively. Sensitivity analysis showed the fixed carbon/volatile matter, oxygen content, adsorbent/steam to biomass ratios, and gasification temperature in the range of 7–20 vol% of mean absolute percentage error (MAPE) on hydrogen content. The optimized input sets for the ML modelling procedure improved the hydrogen concentration by within 5 vol%. The results indicate a high proficiency of the ML models in accurate prediction of hydrogen gas in the gasification process. • Sorption-enhanced steam gasification of biomass evaluated by ML models. • ML models KNN, SVM, RF, and DT are used to predict hydrogen and CO 2 concentrations. • SVM and RF exhibited 0.91 to 0.92 of R 2 ; and 6.77 to 7.44 vol% of RMSEs. • Sensitivity analysis and genetic algorithm maximize hydrogen concentration by CO 2 reduction.
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 | 0,000 |
| 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 ».