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 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 | 0,000 | 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 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 ».