Machine learning-aided model for predicting oily sludge pyrolysis under various feedstock and operating conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 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 découle