Data-Driven Hybrid Approach Using Hyperparameter-Optimized Ensemble and Explainable Machine Learning for Assessing Pyrolysis Efficiency of Waste Tires
Notice bibliographique
Résumé
Predicting pyrolysis oil yield from waste tires is a complex challenge due to the nonlinear interactions between feedstock composition and process parameters. Therefore, this study suggests the use of Decision Tree, Linear Regression, and XGBoost models to create an interpretable machine learning framework to estimate pyrolysis oil yield based on key features such as pyrolysis temperature, hydrogen, oxygen, nitrogen, volatile matter concentrations, and ash content. As a result, XGBoost outperformed the other models, with R 2 values of 0.965 (training) and 0.914 (testing), low root mean squared errors, and low mean absolute percentage errors. Furthermore, the Shapley Additive ExPlanations study showed that pyrolysis temperature and oxygen concentration were the most important factors. In contrast, Local Interpretable Model-Agnostic Explanations revealed that oxygen was the most important factor in individual forecast cases. A Monte Carlo simulation with 20,000 samples showed that the projected yield distribution had more than one mode, with pronounced peaks at 20, 35, and 48 wt %. Sobol sensitivity indices showed that hydrogen and pyrolysis temperature were the main factors affecting pyrolysis oil yield, followed by oxygen. Generally, this work offered a complete data-driven plan for predicting the efficiency of pyrolysis systems by combining accuracy, uncertainty quantification, 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 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».