論文の概要: Using evolutionary machine learning to characterize and optimize co-pyrolysis of biomass feedstocks and polymeric wastes

• arxiv url: http://arxiv.org/abs/2305.16350v1
• Date: Wed, 24 May 2023 19:59:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 19:04:43.272030
• Title: Using evolutionary machine learning to characterize and optimize co-pyrolysis of biomass feedstocks and polymeric wastes
• Title（参考訳）: 進化的機械学習を用いたバイオマス飼料と高分子廃棄物の共熱分解特性と最適化
• Authors: Hossein Shahbeik, Alireza Shafizadeh, Mohammad Hossein Nadian, Dorsa Jeddi, Seyedali Mirjalili, Yadong Yang, Su Shiung Lam, Junting Pan, Meisam Tabatabaei, Mortaza Aghbashlo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.894507238371768
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Co-pyrolysis of biomass feedstocks with polymeric wastes is a promising strategy for improving the quantity and quality parameters of the resulting liquid fuel. Numerous experimental measurements are typically conducted to find the optimal operating conditions. However, performing co-pyrolysis experiments is highly challenging due to the need for costly and lengthy procedures. Machine learning (ML) provides capabilities to cope with such issues by leveraging on existing data. This work aims to introduce an evolutionary ML approach to quantify the (by)products of the biomass-polymer co-pyrolysis process. A comprehensive dataset covering various biomass-polymer mixtures under a broad range of process conditions is compiled from the qualified literature. The database was subjected to statistical analysis and mechanistic discussion. The input features are constructed using an innovative approach to reflect the physics of the process. The constructed features are subjected to principal component analysis to reduce their dimensionality. The obtained scores are introduced into six ML models. Gaussian process regression model tuned by particle swarm optimization algorithm presents better prediction performance (R2 > 0.9, MAE < 0.03, and RMSE < 0.06) than other developed models. The multi-objective particle swarm optimization algorithm successfully finds optimal independent parameters.
• Abstract（参考訳）: バイオマス原料と高分子廃棄物の同時熱分解は, 液状燃料の量と品質を向上する上で有望な戦略である。 最適な運転条件を見つけるために、多くの実験的な測定が行われる。 しかし、コストと長期の手順を必要とするため、コピロリシス実験は極めて困難である。 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の進化的ML手法の導入を目的とする。 幅広いプロセス条件下で様々なバイオマス-ポリマー混合物をカバーする包括的なデータセットを適格文献からコンパイルする。 データベースは統計分析と機械的議論の対象となった。 入力特徴は、プロセスの物理を反映する革新的なアプローチを用いて構築される。 構築された特徴は、その次元性を減らすために主成分分析を受ける。 得られたスコアは6つのMLモデルに導入される。 粒子群最適化アルゴリズムにより調整されたガウス過程回帰モデルは、他の発展モデルよりも優れた予測性能(r2 > 0.9, mae < 0.03, rmse < 0.06)を示す。 多目的粒子群最適化アルゴリズムは最適独立パラメータの探索に成功している。

関連論文リスト

• Sensitivity Analysis on Policy-Augmented Graphical Hybrid Models with Shapley Value Estimation [5.077690675309647]
  一般非線形ポリシ拡張グラフィカル(pKG)ハイブリッドモデルに対する総合感度解析フレームワークを提案する。 提案手法は, バイオマニュファクチャリングにおける効率的な解釈と安定なプロセス制御を支援する。
  論文  参考訳（メタデータ） (2024-11-20T15:33:39Z)
• Efficient Generation of Molecular Clusters with Dual-Scale Equivariant Flow Matching [5.909830898977327]
  トレーニングと推論を粗い粒度と全原子ステージに分離する2次元フローマッチング法を開発した。 MDシミュレーションにより得られたY6分子クラスターのデータセット上で,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-10T02:17:27Z)
• Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage [0.0]
  本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。 また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。 以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-02-09T00:24:46Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
  本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。 木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。 3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
  論文  参考訳（メタデータ） (2022-09-09T14:58:43Z)
• Artificial Intelligence-Assisted Optimization and Multiphase Analysis of Polygon PEM Fuel Cells [0.0]
  モデルは、セル性能を改善した後、最適化されている。 最適化された六角形とペンタゴナルは出力電流密度をそれぞれ21.8%、39.9%増加させる。
  論文  参考訳（メタデータ） (2022-04-10T04:49:10Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• 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)
• Active Learning Methods for Efficient Hybrid Biophysical Variable Retrieval [6.093845877765489]
  カーネルベース機械学習回帰アルゴリズム (MLRA) は, 生体物理変数検索方式において潜在的に強力な手法である。 彼らは大規模なトレーニングデータセットを扱うのに苦労している。 アクティブラーニング(AL)メソッドは、データセットで最も有益なサンプルを選択することができます。 このレターは、管理可能なトレーニングデータセットで最適化された生体物理変数推定を達成するための6つのal法を導入する。
  論文  参考訳（メタデータ） (2020-12-07T08:56:40Z)

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。