Machine learning-aided model for predicting oily sludge pyrolysis under various feedstock and operating conditions
Notice bibliographique
Résumé
Oily sludge pyrolysis technology has the advantages of potential recovery of valuable resources and safe disposal of non-recoverable residues. However, experimentally determining the optimal pyrolysis operating conditions is time-consuming and expensive. In this study, a machine learning (ML) approach was developed to predict and optimize the oily sludge pyrolysis process. Among the six machine learning models, eXtreme Gradient Boosting (XGB) was found to have the best prediction results. A multi-task XGB model was then developed with oily sludge ultimate and proximate composition and pyrolysis operating conditions as the modeling inputs. The modeling results indicated that the sludge ash and hydrogen contents as well as the pyrolysis temperature are the most critical factors affecting pyrolysis process and its performance. The contribution of sludge ultimate composition to the pyrolysis performance is 42.5 %, followed by sludge proximate properties (35.8 %) and pyrolysis operating conditions (21.7 %). The multi-task XGB ML model achieved an average R 2 of 0.90 through model verification. The ML-aided modeling approach provides new insights for understanding and optimizing the oily sludge pyrolysis. • Machine learning models were developed to predict oily sludge pyrolysis products. • XGB showed optimal performance (test R 2 of 0.93–0.94) for single-/multi-task models. • Pyrolysis is most affected by sludge ash and hydrogen content and pyrolysis temperature. • The Multi-task XGB model can be used to optimize the pyrolysis oil and gas yield. • Model validation was conducted to verify the accuracy of multi-task XGB modeling.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».