Review of machine learning techniques for energy sharing and biomass waste gasification pathways in integrating solar greenhouses into smart energy systems
Notice bibliographique
Résumé
• This review paper explores the integration of solar greenhouses into SESs through energy sharing and hydrogen production. • The paper examines how solar greenhouses contribute to energy efficiency by sharing heat and supplying biomass residues. • It investigates the role of ML and DL models in enhancing energy sharing and improving hydrogen production processes from biomass gasification. • The most common ML and DL models used in this area are categorized and described briefly. • The most recent studies in the scope of this review employing AI-based models are represented. The integration of solar greenhouses into smart energy systems (SESs) remains largely unexplored, despite their potential to enhance energy sharing and hydrogen production. This review investigates the role of solar greenhouses as active energy contributors within SESs, emphasizing their biomass waste gasification for hydrogen production and their integration into district heating and cooling (DHC) networks. A structured classification of machine learning (ML) and deep learning (DL) techniques applied in forecasting and optimizing these processes is provided. Additionally, the evolution of DHC systems is analyzed, with a focus on fifth-generation DHC (5GDHC) networks, which facilitate bidirectional energy exchange at near-ambient temperatures. The review highlights that existing studies have predominantly addressed SES advancements and ML-driven energy management without considering the contributions of solar greenhouses. A novel framework is proposed, illustrating their role as prosumers capable of exchanging electricity, hydrogen, and thermal energy within SESs. Key findings reveal that integrating solar greenhouses with SESs can enhance energy efficiency, reduce carbon emissions, and improve system resilience. Furthermore, ML-driven predictive control strategies, particularly model predictive control (MPC), are identified as essential for optimizing real-time energy flows and biomass gasification processes. This study provides a foundation for future research on the technical, economic, and environmental feasibility of integrating greenhouses into SESs. The insights presented offer a pathway toward more sustainable, AI-driven energy-sharing networks, supporting policymakers and industry stakeholders in the transition toward low-carbon energy solutions.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».