La modélisation précise du taux de combustion des particules de charbon dans les flux chargés de particules est essentielle. Cependant, en raison de l'hétérogénéité forte et de la non-linéarité du processus, résoudre avec précision le taux de combustion de surface des particules de charbon reste un défi. Dans cette étude, un cadre basé sur l'apprentissage par gradient extrême (XGBoost) est développé pour reformuler le modèle conventionnel du taux d'oxydation du charbon, à savoir le modèle Baum&Street (B&S), aboutissant à un modèle modifié appelé modèle XGB-B&S. Dans ce modèle, un terme de correction βturb est incorporé et formulé en utilisant le nombre de Reynolds des particules ainsi qu'une température sans dimension. Une couche de mélange turbulent avec la combustion des particules de charbon est simulée par le biais d'une simulation numérique directe résolvant les particules en trois dimensions, générant un ensemble de données de haute fidélité pour l'entraînement et la validation du modèle. Pour évaluer la capacité prédictive du modèle XGBoost, ses résultats sont comparés à ceux obtenus à partir d'un modèle de réseau de neurones artificiels. La comparaison indique que XGBoost fournit une meilleure précision globale, comme en témoigne un coefficient de détermination (R2) plus élevé et des valeurs plus petites à la fois pour l'erreur quadratique moyenne et l'erreur absolue moyenne. Enfin, le modèle XGB-B&S est validé par rapport à l'ensemble de données de test. Le R2 entre les prédictions de XGB-B&S et les résultats PR-DNS est significativement plus élevé que celui entre le modèle B&S conventionnel et les résultats PR-DNS, confirmant la forte capacité prédictive de XGBoost pour modéliser le taux d'oxydation des particules de charbon.
Deng et al. (Wed,) ont étudié cette question.