Sequential model-based design of experiments for a heat-integrated biomass downdraft gasifier
Notice bibliographique
Résumé
Conducting new experiments for biomass gasifiers is expensive and time consuming. Therefore, it is important to select conditions for new experiments so maximum information is obtained. In this study, sequential Bayesian model-based design of experiments (MBDoE) is used to design new experimental runs for a heat-integrated biomass downdraft gasifier. This MBDoE approach is valuable because it accounts for model structure, prior information about plausible parameter values, and previous experimental data in a relatively simple way. Operating conditions selected for each new run are biomass moisture content, water injection rate, and the desired energy demand from the downstream engine. Three types of MBDoE with different objective functions are considered: A-optimal, V-optimal, and a proposed new type of focused V-optimal design. A-optimal design is used to when the goal is to obtain improved parameter estimates, without specifying how the model will be used. Performing two new A-optimal runs reduced the standard deviations for model parameters by 18.4% on average compared to when only old data are available. The three most-improved parameter estimates are activation energies for char gasification reactions involving carbon dioxide, hydrogen, and steam, respectively. The focused V-optimal methodology results in greater improvements in prediction accuracy for tar concentration and outlet temperature, which are key model responses. Using two designed V f -optimal runs reduces standard deviations for these variables by 59.4%, on average, compared to when only old data are available. New A-optimal and V-optimal runs lead to corresponding improvements of 30.7% and 50%, respectively.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».