論文の概要: Hydrogen production from blended waste biomass: pyrolysis, thermodynamic-kinetic analysis and AI-based modelling
- arxiv url: http://arxiv.org/abs/2510.15960v1
- Date: Sat, 11 Oct 2025 15:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:38.723013
- Title: Hydrogen production from blended waste biomass: pyrolysis, thermodynamic-kinetic analysis and AI-based modelling
- Title（参考訳）: 混合廃バイオマスからの水素生産:熱分解、熱力学解析、AIに基づくモデリング
- Authors: Sana Kordoghli, Abdelhakim Settar, Oumayma Belaati, Mohammad Alkhatib,
- Abstract要約: 本研究は, 熱分解による食品系バイオマスの熱化学的変換を調査し, 持続可能なエネルギー・廃棄物管理戦略の進展に寄与する。
主な目的は, 使用済みコーヒー場 (SCG) や日付種子 (DS) などの未利用バイオマス資源の持続的水素生産の可能性を探ることである。
- 参考スコア（独自算出の注目度）: 1.5889411586232436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work contributes to advancing sustainable energy and waste management strategies by investigating the thermochemical conversion of food-based biomass through pyrolysis, highlighting the role of artificial intelligence (AI) in enhancing process modelling accuracy and optimization efficiency. The main objective is to explore the potential of underutilized biomass resources, such as spent coffee grounds (SCG) and date seeds (DS), for sustainable hydrogen production. Specifically, it aims to optimize the pyrolysis process while evaluating the performance of these resources both individually and as blends. Proximate, ultimate, fibre, TGA/DTG, kinetic, thermodynamic, and Py-Micro GC analyses were conducted for pure DS, SCG, and blends (75% DS - 25% SCG, 50% DS - 50% SCG, 25% DS - 75% SCG). Blend 3 offered superior hydrogen yield potential but had the highest activation energy (Ea: 313.24 kJ/mol), while Blend 1 exhibited the best activation energy value (Ea: 161.75 kJ/mol). The kinetic modelling based on isoconversional methods (KAS, FWO, Friedman) identified KAS as the most accurate. These approaches provide a detailed understanding of the pyrolysis process, with particular emphasis on the integration of artificial intelligence. An LSTM model trained with lignocellulosic data predicted TGA curves with exceptional accuracy (R^2: 0.9996-0.9998).
- Abstract（参考訳）: 本研究は, 食品系バイオマスの熱化学的変換を熱分解により調査し, プロセスモデリング精度と最適化効率の向上における人工知能(AI)の役割を明らかにすることによって, 持続可能なエネルギー・廃棄物管理戦略の進展に寄与する。
主な目的は, 使用済みコーヒー場 (SCG) や日付種子 (DS) などの未利用バイオマス資源の持続的水素生産の可能性を探ることである。
具体的には、熱分解過程を最適化し、個々の資源とブレンドとしての性能を評価することを目的としている。
純粋なDS, SCG, ブレンド (75% DS - 25% SCG, 50% DS - 50% SCG, 25% DS - 75% SCG) に対して, 親和性, 極性, 繊維性, TGA/DTG, 運動性, 熱力学およびPy-Micro GC分析を行った。
ブレンド3は優れた水素収率を示したが、最高活性化エネルギー(Ea: 313.24 kJ/mol)を持ち、ブレンド1は最高活性化エネルギー値(Ea: 161.75 kJ/mol)を示した。
等変換法(KAS, FWO, Friedman)に基づく速度論的モデリングにより, KASを最も正確に同定した。
これらのアプローチは、特に人工知能の統合に焦点を当てた、熱分解過程の詳細な理解を提供する。
リグノセルロシックデータをトレーニングしたLSTMモデルは、例外的精度でTGA曲線を予測した(R^2: 0.9996-0.9998)。
関連論文リスト
- Data-Driven Extended Corresponding State Approach for Residual Property Prediction of Hydrofluoroolefins [11.887180544734575]
フッ化フルオロオレフィンは、温暖化ポテンシャルが極めて低いため、次世代の冷媒として最も有望であると考えられている。
しかし、信頼性の高い熱力学データが欠如していることは、より新しく優れたフルオロオレフィン冷媒の発見と応用を妨げる。
本研究では, フルオロオレフィン冷媒の残留熱力学特性を予測するためのニューラルネットワーク拡張状態モデルを提案する。
論文 参考訳（メタデータ） (2025-07-29T11:51:50Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - A Three-Phase Analysis of Synergistic Effects During Co-pyrolysis of Algae and Wood for Biochar Yield Using Machine Learning [0.0]
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。
論文 参考訳（メタデータ） (2024-05-20T06:32:57Z) - Distribution-based Low-rank Embedding [0.0]
固有ベクトル(JSE)とワイブル埋め込み(Weibull Embedding)に対するJames-Steinを提案する。
主な目的は、熱データストリームの低次元(LD)表現を作ることである。
提案手法は,主基底ベクトルの投影精度が81.7%に向上したことを示す。
論文 参考訳（メタデータ） (2023-12-29T12:29:45Z) - 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 learning-based characterization of hydrochar from biomass:
Implications for sustainable energy and material production [7.7276891733684465]
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。
論文 参考訳（メタデータ） (2023-05-24T18:55:54Z) - 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) - 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)
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。