Hydrogen production from the steam gasification of hydrochar: A multi-output machine learning approach integrated with metaheuristic algorithms
Notice bibliographique
Résumé
Steam gasification of hydrochar requires high-temperature reactors, making the process costly and time-consuming. This study proposes soft computing approaches as efficient alternatives for predicting multiple output (syngas concentration, H 2 /CO ratio and heating value based on hydrochar composition and steam gasification operating conditions. Four Machine learning (ML) models enhanced with metaheuristic optimization techniques (Genetic Algorithms (GA) and Particle Swarm Optimization (PSO)) were trained on experimental data to predict syngas composition, H 2 /CO and higher heating value. Among the models, Gaussian Process Regression (GPR-GA (Coefficient of Determination, R 2 = 0.83, root mean square error, RMSE = 4.19) and GPR-PSO (R 2 = 0.82, RMSE = 4.3)) showed superior performance for hydrogen concentration prediction accuracy. Two-way Partial dependence plots and SHAP show that Steam to biomass ratio (S/B) and higher heating value has a significant effect on hydrogen concentration. Moreover, the optimal steam to biomass ratio and temperature should be in the range of 2.5–3 and 750–850 °C for highest predicted hydrogen concentration. To facilitate practical applications, graphical user interface (GUI) was developed using the best-performing ML model. GUI allows users to predict syngas compositions in real time and eliminates the need for extensive experimentation, providing a user-friendly platform to optimize syngas production while ensuring efficiency and reliability. • ML models optimized for accurate syngas composition prediction and analysis. • H 2 concentration increases with carbon, steam-to-biomass ratio, and temperature. • GPR-GA and GPR-PSO models outperformed others in hydrogen prediction accuracy. • Developed a Graphical user interface for real-time syngas composition predictions.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».