論文の概要: A Three-Phase Analysis of Synergistic Effects During Co-pyrolysis of Algae and Wood for Biochar Yield Using Machine Learning

• arxiv url: http://arxiv.org/abs/2405.11821v1
• Date: Mon, 20 May 2024 06:32:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 14:03:49.292812
• Title: A Three-Phase Analysis of Synergistic Effects During Co-pyrolysis of Algae and Wood for Biochar Yield Using Machine Learning
• Title（参考訳）: 機械学習による藻と木材の共熱分解における相乗効果の3相解析
• Authors: Subhadeep Chakrabarti, Saish Shinde,
• Abstract要約: 熱分解技術は、プラスチック、木材、作物の残留物、果物などの天然および人為的なバイオマス製品を効果的に利用するための画期的な技術である。 近年の進歩は、異なるバイオマスを一定の割合で混合することにより、バイオチャー、バイオオイル、その他の非凝縮性ガスのような必須成分の収率を高めている。 この2つの熱分解原料の組み合わせによる相乗効果を系統的に研究し, 3つの相に分類した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Pyrolysis techniques have served to be a groundbreaking technique for effectively utilising natural and man-made biomass products like plastics, wood, crop residue, fruit peels etc. Recent advancements have shown a greater yield of essential products like biochar, bio-oil and other non-condensable gases by blending different biomasses in a certain ratio. This synergy effect of combining two pyrolytic raw materials i.e co-pyrolysis of algae and wood biomass has been systematically studied and grouped into 3 phases in this research paper-kinetic analysis of co-pyrolysis, correlation among proximate and ultimate analysis with bio-char yield and lastly grouping of different weight ratios based on biochar yield up to a certain percentage. Different ML and DL algorithms have been utilized for regression and classification techniques to give a comprehensive overview of the effect of the synergy of two different biomass materials on biochar yield. For the first phase, the best prediction of biochar yield was obtained by using a decision tree regressor with a perfect MSE score of 0.00, followed by a gradient-boosting regressor. The second phase was analyzed using both ML and DL techniques. Within ML, SVR proved to be the most convenient model with an accuracy score of 0.972 with DNN employed for deep learning technique. Finally, for the third phase, binary classification was applied to biochar yield with and without heating rate for biochar yield percentage above and below 40%. The best technique for ML was Support Vector followed by Random forest while ANN was the most suitable Deep Learning Technique.
• Abstract（参考訳）: 熱分解技術は、プラスチック、木材、作物の残留物、果物の皮など、天然および人工のバイオマス製品を効果的に利用するための画期的な技術である。 近年の進歩は、異なるバイオマスを一定の割合で混合することにより、バイオチャー、バイオオイル、その他の非凝縮性ガスのような必須成分の収率を高めている。 藻類と木質バイオマスの共熱分解を併用した2つの熱分解原料の相乗効果を系統的に研究し, 共熱分解の3つの相に分類した。 ML と DL の異なるアルゴリズムは,2 つの異なるバイオマスの相乗効果が生物果樹収に与える影響を網羅的に概観するために,回帰法と分類法に利用されてきた。 第1段階では, 完全MSEスコア0.00の決定木回帰器と, 勾配ブースティング回帰器を用いて, バイオチャー収率の最良の予測値を得た。 第2相をML法とDL法の両方を用いて解析した。 ML内では,DNNをディープラーニング技術として用いた精度スコア0.972のSVRが最も便利なモデルであることが判明した。 最後に, 第3相において, バイオチャー収率を40%以下とした場合, 加熱速度を伴わない2次分類をバイオチャー収率に適用した。 MLの最良のテクニックはSupport Vectorで、次にRandom forestが続き、ANNが最も適したDeep Learning Techniqueだった。

関連論文リスト

• Biomass phenotyping of oilseed rape through UAV multi-view oblique imaging with 3DGS and SAM model [18.13908148656987]
  本研究は, 油種レイプの正確な3次元再構成とバイオマス推定のために, 3次元ガウススティング(3DGS)とSAM(Segment Anything Model)を統合した。 3DGSは精度が高く、ピーク信号対雑音比(PSNR)は27.43、トレーニング時間は7分49分であった。 SAMモジュールは、結合(mIoU)が0.961、F1スコアが0.980で高いセグメンテーション精度を達成した。
  論文  参考訳（メタデータ） (2024-11-13T09:16:21Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• 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)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Sensitivity analysis of biological washout and depth selection for a machine learning based dose verification framework in proton therapy [19.718172235291647]
  陽電子放出体を用いた線量検証は, 品質保証ツールとして有望である。 実用化に向けて一歩前進するためには、生物学的洗浄と深度選択という2つの要因の感度分析を行う必要がある。 提案するAIフレームワークは,2つの要因に関連する摂動に対して良好な免疫力を示す。
  論文  参考訳（メタデータ） (2022-12-21T20:43:35Z)
• Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
  総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。 このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
  論文  参考訳（メタデータ） (2022-10-18T11:54:11Z)
• Hyperspectral and LiDAR data for the prediction via machine learning of tree species, volume and biomass: a possible contribution for updating forest management plans [0.3848364262836075]
  本研究は,トレント自治州(PAT)の森林タイプと森林単位の脱線を識別する基盤を構築することを目的としている。 2014年のLiDARとPATによるハイパースペクトル調査のデータを取得し、処理した。
  論文  参考訳（メタデータ） (2022-09-30T06:06:25Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Investigation of BERT Model on Biomedical Relation Extraction Based on Revised Fine-tuning Mechanism [2.8881198461098894]
  BERTモデルの微調整過程における層全体の利用法について検討する。 さらに解析により,BERTモデルの最後の層から関係性に関する重要な知識を学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-11-01T01:47:16Z)

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。