Prediction of thermal conversion characteristics for co‐combustion of waste tire–lignite coal using machine learning algorithms
Notice bibliographique
Résumé
Abstract Co‐combustion of coal with various waste resources is an effective energy recovery strategy that integrates waste‐derived fuels while reducing dependence on fossil fuels. In this study, machine learning algorithms were used to predict thermogravimetric data for the co‐combustion process of waste tire (WT) and lignite coal (LC) blends to improve the understanding of the thermal conversion characteristics. The study analyzed the combustion behaviour of WT, LC, and their mixtures at four different heating rates (10, 20, 30, and 40°C/min) and various mixing ratios (100:0, 20:80, 40:60, 50:50, 60:40, 80:20, and 0:100) using thermogravimetry–derivative thermogravimetry/differential scanning calorimetry (TG‐DTG/DSC) techniques. To improve the prediction accuracy, eight machine learning algorithms—adaptive boosting regression, decision tree regression, k‐nearest neighbour regression, linear regression, multi‐layer perceptron, random forest regression, support vector machine regression, and XGBoost—were applied to model the co‐combustion process. The results showed a strong correlation between experimental data and machine learning predictions, confirming the effectiveness of these models. By enabling accurate real‐time prediction of thermal conversion characteristics, this study reduces the reliance on labour‐intensive thermogravimetric analysis (TGA) and facilitates cost‐effective, adaptive, and scalable optimization of combustion processes for industrial applications.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».