Optimization and predictive modelling of biodiesel production from waste cooking oil catalyzed by blast furnace slag geopolymer using <scp>RSM</scp> and machine learning
Notice bibliographique
Résumé
Abstract Biodiesel production from waste cooking oil (WCO) has emerged owing to growing interest in sustainable energy sources. Geopolymers synthesized from industrial wastes, such as blast furnace slag (BFS), are promising catalysts because of their environmental benefits and catalytic properties. However, a knowledge gap exists in the application of machine learning (ML) for the transesterification of WCO catalyzed by geopolymer. This study aimed to optimize and predict biodiesel yield using a numerical approach, response surface methodology (RSM), and two ML algorithms: artificial neural network (ANN) and adaptive neuro‐fuzzy inference system (ANFIS). Four input process parameters were investigated: methanol‐to‐oil ratio (20–50 wt.%), catalyst ratio (5–15 wt.%), reaction time (4–8 h), and reaction temperature (30–70°C), with biodiesel yield as the response. Central composite design (CCD) was used to evaluate the effects of process parameters, and models were evaluated using R 2 , root mean squared error (RMSE), mean absolute error (MAE), mean average percent error (MAPE), and average relative error (ARE). The optimum yield of 98.635% was achieved at 11.103 wt.% catalyst, 44.068 wt.% methanol to oil, 6.704 h reaction time and 57.493°C reaction temperature. ANFIS displayed the best predictive performance ( R 2 : 0.996, RMSE: 1.429, MAE: 0.684, and MAPE: 1.548). Analysis of variance (ANOVA) results indicated the methanol‐to‐oil ratio had the most significant impact ( F ‐value: 91.77), followed by the catalyst ratio ( F ‐value: 51.58). The produced biodiesel met ASTM D6571 and EN 14214 standards. Future research should focus on catalyst reusability and catalyst synthesis optimization for industrial applications. This study contributes to global efforts toward sustainable biodiesel production by addressing waste disposal and green fuel development.
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 | 0,000 | 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 ».