Applications of machine learning for decision support in biomass supply chains: A systematic review
Notice bibliographique
Résumé
• Reviewed Machine Learning (ML) applications in biomass supply chain (BSC). • Used scientific mapping for bibliographic coupling and keyword analysis. • Identified key ML challenges: data limits, scalability, and generalization. • Highlighted ML potential to enhance planning in biomass supply chains. • There have been limited work on ML and optimization model integration in BSCs. Effective planning of biomass supply chains (BSC), which involve collection, transportation, pre-processing, storage, conversion, and delivery of bioproducts, is essential to ensure efficiency and sustainability. Recently, machine learning (ML) has been adopted to address the supply chain’s complexities for effective planning. ML provides dynamic and data-driven solutions that enhance decision-making. It has been applied for predicting biomass yields, forecasting supply and demand, optimizing logistics and facility location, and improving the efficiency of conversion processes. This review paper highlights the role of ML in BSC planning. This study considers biomass sources such as food processing residues, animal waste (e.g., manure), in addition to forest-based and agricultural-based biomass, examining processes across all stages of a supply chain from upstream to downstream. We examine ML models in previous studies based on their learning paradigms: supervised, unsupervised, and reinforcement learning, and the type of performed analytics: predictive, and both predictive and prescriptive analytics. Challenges related to data availability, computational requirements, and model generalization limit ML applications in BSCs. Future research could focus on scalable and adaptable models for preprocessing, transportation, and harvesting activities by addressing the uncertainty. Integrating advanced ML could significantly enhance the resiliency, sustainability, and efficiency of BSCs, supporting bioeconomy advancement and the achievement of sustainability goals.
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) | 0,002 | 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 ».