Machine learning prediction of hydrochar properties using ash-based biomass classification with optimized models and interpretability analysis
Notice bibliographique
Résumé
The growing demand for sustainable energy solutions has intensified research on biomass valorization into carbon rich hydrochar via hydrothermal carbonization (HTC). However, optimizing hydrochar fuel properties (Fuel Ratio, H/C, O/C) remains challenging due to the complex interplay of feedstock composition and process conditions. This study presents a machine learning (ML) driven approach to predict hydrochar properties by categorizing biomass into low, medium and high ash content groups. An integrated framework combining different ML models and metaheuristic optimization techniques was developed to establish robust predictive capabilities. The results show that the GPR model achieved a testing R 2 > 0.72 and RMSE < 0.1365 across all ash categories. Feature selection highlighted temperature, time, and biomass composition (Carbon, Oxygen, Volatile Matter, Fixed Carbon) as important predictors, demonstrating the effectiveness of ML with hyperparameter optimization for accurate hydrochar properties prediction. Partial dependence plots further explained nonlinear relationships between inputs and outputs. A user-friendly Graphical User Interface was developed, enabling real-time hydrochar properties prediction, closely aligning with experimental data. This work demonstrates that ML models, coupled with optimization techniques, can effectively guide HTC process optimization for tailored hydrochar production, bridging the gap between data-driven insights and practical applications in renewable energy.
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 ».