Enhanced prediction of heating value of municipal solid waste using hybrid neuro-fuzzy model and decision tree-based feature importance assessment
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
This study proposes a hybrid network of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA) to predict the higher heating value (HHV) of municipal solid waste (MSW). To enhance the robustness and accuracy of the model and optimize its ability to capture the complex non-linear relationship in the MSW dataset, eight membership functions (MF)-type of the grid partitioning (GP) clustering approach were tested. Moreover, understanding the relative importance and contribution of different waste properties to HHV prediction is critical for improving the model's predictive capability and optimizing the waste-to-energy (WTE) process. To this end, the feature importance analysis of MSW input variables was carried out using the decision tree regressor with the Gini importance (GI) metrics to identify the most influential variable. Key waste properties, including ultimate analysis data, ash and moisture content were used as input variables for the model. The result shows that the GP-clustered GA-ANFIS model based on triangular-shaped MF-type (tri-MF) has the most accurate HHV predictions with Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and Mean Absolute Deviation (MAD) values of 0.7642, 13.677, 1.5913 and 0.9821 at the training and 0.6364, 16.216, 1.2437 and 0.7821 at the testing stage. Feature importance assessment revealed ash content as the most important predictor of HHV based on GI-value of 0.519668 (about 50% cumulative importance). Additionally, sulphur and nitrogen, along with ash content, dominated the HHV prediction and exhibited the highest predictive power on HHV with about 80% cumulative importance. The robust integrated approach of hybrid neuro-fuzzy model, with decision tree-based feature importance assessment, offers an effective approach for enhancing the prediction of HHV of MSW. The outcome of the study enhances WTE systems, facilitating more efficient and sustainable energy recovery from MSW. • Neuro-fuzzy model with feature importance analysis offers a robust HHV estimation. • GP-clustered ANFIS-GA outperformed standalone-ANFIS and LMBP-ANN for HHV prediction. • ANFIS-GA-GP with tri-MF predicted HHV with RMSE values of 1.2437 at the testing. • Ash content with Gini importance of 0.5196 is the highest predictor of HHV of MSW.
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 | 0,000 | 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 découle