Human-centric ensemble AI for hydrothermal carbonization modeling and hydrochar properties prediction
Notice bibliographique
Résumé
Hydrothermal carbonization (HTC) is a promising process for biomass valorization; however, optimizing HTC conditions and characterizing hydrochar through experimental methods remain costly and time-consuming. Artificial intelligence (AI) and its related machine learning (ML) techniques provide an efficient and cost-effective alternative, enabling efficient optimization and predictive analysis without extensive experimental tests. In this study, an analysis-ready database comprising 544 data points was constructed using the authors' previous research (41) and scattered data compiled from the literature (503). An ensemble of eight diversified machine learning (ML) models was developed using biomass-agnostic properties and process conditions to predict hydrochar properties including elemental analysis, proximate analysis, and hydrochar yield. Tailor-made decision fusion models were developed for each target by merging the outputs of the best-performing models. Furthermore, a set of interpretable machine learning (IML) and explainable AI (XAI) techniques, leveraging feature importance analysis and SHapley Additive exPlanations (SHAP) values, indicated that biomass fixed carbon (FC) content and process temperature are the most influencing features, which were then considered as inputs for the ensemble models. The decision fusion models achieved high accuracy for target prediction, surpassing the currently used models in the literature, with adjusted R² values ranging from 0.98 to 1.0. For outputs that are typically difficult to predict, such as hydrochar yield, the model achieved an adjusted R² of 0.98, representing over a 5% improvement compared to the best-performing model reported in the literature. All predictions were derived from white-box modeling by incorporating XAI into the ensemble-based learning, ensuring greater model transparency and interpretability.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».