論文の概要: Machine learning-based characterization of hydrochar from biomass: Implications for sustainable energy and material production

• arxiv url: http://arxiv.org/abs/2305.16348v1
• Date: Wed, 24 May 2023 18:55:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 19:03:57.163432
• Title: Machine learning-based characterization of hydrochar from biomass: Implications for sustainable energy and material production
• Title（参考訳）: バイオマス由来ハイドロチャーの機械学習によるキャラクタリゼーション : 持続可能エネルギーと物質生産への示唆
• Authors: Alireza Shafizadeh, Hossein Shahbeik, Shahin Rafiee, Aysooda Moradi, Mohammadreza Shahbaz, Meysam Madadi, Cheng Li, Wanxi Peng, Meisam Tabatabaei, Mortaza Aghbashlo
• Abstract要約: HTC (Hydrothermal Carbonization) は、バイオマスを事前乾燥することなく多用途のハイドロチャーに変換するプロセスである。 本研究の目的は, 異なるバイオマス源から生産されるヒドロチャーを, 異なる反応処理パラメータで特徴付けるモデルを開発することである。
• 参考スコア（独自算出の注目度）: 7.7276891733684465
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hydrothermal carbonization (HTC) is a process that converts biomass into versatile hydrochar without the need for prior drying. The physicochemical properties of hydrochar are influenced by biomass properties and processing parameters, making it challenging to optimize for specific applications through trial-and-error experiments. To save time and money, machine learning can be used to develop a model that characterizes hydrochar produced from different biomass sources under varying reaction processing parameters. Thus, this study aims to develop an inclusive model to characterize hydrochar using a database covering a range of biomass types and reaction processing parameters. The quality and quantity of hydrochar are predicted using two models (decision tree regression and support vector regression). The decision tree regression model outperforms the support vector regression model in terms of forecast accuracy (R2 > 0.88, RMSE < 6.848, and MAE < 4.718). Using an evolutionary algorithm, optimum inputs are identified based on cost functions provided by the selected model to optimize hydrochar for energy production, soil amendment, and pollutant adsorption, resulting in hydrochar yields of 84.31%, 84.91%, and 80.40%, respectively. The feature importance analysis reveals that biomass ash/carbon content and operating temperature are the primary factors affecting hydrochar production in the HTC process.
• Abstract（参考訳）: HTC (Hydrothermal Carbonization) は、バイオマスを事前乾燥することなく多用途のハイドロチャーに変換するプロセスである。 ハイドロチャーの物理化学的性質はバイオマス特性と処理パラメータに影響され、試行錯誤実験による特定の用途への最適化が困難となる。 時間と費用を節約するために、さまざまな反応処理パラメータの下で、異なるバイオマス源から生成されるハイドロチャーを特徴付けるモデルの開発に機械学習を用いることができる。 そこで本研究では, バイオマスの種類や反応処理パラメータを網羅したデータベースを用いて, ハイドロチャーを特徴付ける包括モデルを構築することを目的とする。 ハイドロチャーの品質と量は2つのモデル(決定木回帰とサポートベクター回帰)を用いて予測される。 決定木回帰モデルは、予測精度(R2 > 0.88、RMSE < 6.848、MAE < 4.718)で支持ベクトル回帰モデルを上回る。 進化的アルゴリズムを用いて、選択されたモデルによって得られたコスト関数に基づいて最適な入力を同定し、エネルギー生産、土壌修正、汚染物質吸着を最適化し、それぞれ84.31%、84.91%、80.40%のハイドロチャー収率を得る。 特徴的重要度分析により,htcプロセスにおいて,バイオマス灰/炭素含量および運転温度が水素化物生産に影響を与える主要な要因であることが判明した。

関連論文リスト

• Approaches for enhancing extrapolability in process-based and data-driven models in hydrology [0.16735447464058464]
  本稿では,プロセスベースおよびデータ駆動型水文モデルにおける外挿可能性の評価・向上手法をレビューし,比較する。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。
  論文  参考訳（メタデータ） (2024-08-13T17:59:24Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Using evolutionary machine learning to characterize and optimize co-pyrolysis of biomass feedstocks and polymeric wastes [14.894507238371768]
  共熱分解は、結果の液体燃料の量および品質パラメータを改善するための有望な戦略である。 機械学習(ML)は、既存のデータを活用することで、このような問題に対処する機能を提供する。 本研究は, バイオマス-ポリマー共熱分解プロセスの生成物を定量化するために, 進化的MLアプローチを導入することを目的とする。
  論文  参考訳（メタデータ） (2023-05-24T19:59:21Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Using Multivariate Linear Regression for Biochemical Oxygen Demand Prediction in Waste Water [1.9843222704723806]
  本研究の目的は, 廃棄物水中におけるバイオケミカル酸素負荷(BOD)の予測におけるMLRの有効性を, 4つの入力変数を用いて検討することである。 4つの入力変数は, 相関の強度について検討した7つのパラメータのうち, BODに対する相関強度が高い。 その結果、データセットの80%を超えるトレーニングセットの割合を増やすことで、モデルの精度が向上するだけでなく、モデルの予測能力に大きな影響を与えないことが判明した。
  論文  参考訳（メタデータ） (2022-09-08T14:41:02Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Prediction of terephthalic acid (TPA) yield in aqueous hydrolysis of polyethylene terephthalate (PET) [0.0]
  ポリエチレンテレフタレート(PET)の化学的リサイクルに水分解を用いる 有効因子を考慮したPET加水分解のモデル化は、材料科学者に有用な情報を提供することができる。 PETの加水分解をモデル化するために, 初めて381個の実験データを収集した。
  論文  参考訳（メタデータ） (2022-01-29T20:51:36Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Hybrid and Automated Machine Learning Approaches for Oil Fields Development: the Case Study of Volve Field, North Sea [58.720142291102135]
  本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。 我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。 実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
  論文  参考訳（メタデータ） (2021-03-03T18:51:46Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• A multivariate water quality parameter prediction model using recurrent neural network [0.30458514384586394]
  本研究は水質パラメータに基づく水質予測モデルを構築することを目的とする。 このモデルは、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)および履歴水質データを用いて開発された。 シングルステップモデルは0.01mg/Lの誤差を達成し、マルチステップモデルは0.227mg/LのRoot Mean Squared Error(RMSE)を達成した。
  論文  参考訳（メタデータ） (2020-03-25T16:49:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。