Predictive Modeling of Process Parameters in WCO-Based Biodiesel Production Using Advanced Regression Techniques
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
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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