Predictive Modeling of Process Parameters in WCO-Based Biodiesel Production Using Advanced Regression Techniques
Notice bibliographique
Résumé
Biodiesel production from waste cooking oil (WCO) presents a compelling opportunity to transform discarded oil into a renewable energy resource. Through the conversion of WCO into biodiesel, not only is waste effectively reduced, but a greener, more sustainable alternative to conventional fossil fuels is provided—furthering the shift towards environmentally conscious energy solutions. The importance of this research cannot be overstated. It plays a crucial role in advancing sustainable energy practices, especially by tapping into WCO as a viable and under utilized feedstock for biodiesel production. Consider the scale of global WCO generation: in Canada alone, 135,000 tons are produced annually, while in Asia, the figures soar to a staggering 5.5 million tons. The vast potential for converting this surplus waste into high-value biofuel not only promises substantial environmental benefits but also unlocks significant economic opportunities. The methodology leveraged three distinct machine learning models: Linear Regression (LR), Random Forest Regression (RFR), and Support Vector Regression (SVR). These models were rigorously trained and tested on experimental data derived from biodiesel production processes. The study delved into four critical parameters: Free Fatty Acid (FFA) content, fluctuating between 1.7% and 3.5%, moisture percentage ranging from 0.05% to 0.3%, viscosity measured at 35 to 43 cSt, and reaction time spanning 2 to 3.3 hours. The results were striking, underscoring the robust predictive power of all three models. SVR stood out, achieving the highest training accuracy (R² = 0.998), while RFR exhibited a remarkable ability to generalise well on unseen test data (R² = 0.989). The analysis uncovered compelling correlations: notably, a robust negative relationship between FFA content and biodiesel yield (-0.91), alongside a positive correlation between viscosity and yield (0.85). These findings underline the capacity of machine learning models to accurately predict biodiesel yields from waste cooking oil (WCO). Each model revealed unique strengths, yet even the simpler Linear Regression model, with an impressive R² of 0.979 on test data, pointed to a predominantly linear link between the process parameters and the final yield. Such insights provide invaluable guidance for refining industrial biodiesel production processes, championing the shift towards sustainable energy alternatives and addressing the pressing issues of waste management.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».