Applying machine learning to predict torrefaction and pyrolysis activation energy based on biomass characteristics and heating conditions
Notice bibliographique
Résumé
Pyrolysis of biomass is a complex process involving many reactions and components. Many experiments have been carried out to determine the kinetics of pyrolysis and low-temperature torrefaction. In this paper, the multiple linear regression and random forest regression methods were used to predict the activation energy of biomass pyrolysis and torrefaction as determined by Kissinger-Akahira-Sunose (KAS) and Flynn-Wall-Ozawa (FWO) methods. The input variables were biomass characteristics, heating conditions and conversion. The hyper-parameters of the model were optimized by grid search and 5-fold cross validation. In all cases performed in this study, the prediction accuracy of the random forest models was found to be acceptable with R 2 > 0.83 and RMSE < 0.04. The contribution of each variable to the activation energy was analyzed by Pearson analysis, feature importance analysis and partial dependence analysis. This study recommended that machine learning can be applied for predicting kinetic parameters of the thermochemical process, providing a new tool for understanding, simulating and evaluating biomass pyrolysis and torrefaction processes. • Activation energy of biomass pyrolysis were predicted by machine learning. • Random forest method gave a better performance than linear regression method. • Effects of input variables on activation energy were analyzed. • Pyrolysis activation energy was mostly affected by conversion and fixed carbon. • Torrefaction activation energy was mostly affected by carbon and moisture contents.
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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».