Verbesserung der Vorhersage der elementaren Zusammensetzung durch maschinelles Lernen in Entscheidungsbaum-Modellen zur Optimierung der Biomassevergaserung

Zusammenfassung Der weltweite Übergang zu saubereren, nachhaltigen Energiequellen, angestoßen durch das Bevölkerungswachstum und die Industrialisierung, reagiert auf ungewisse Preise fossiler Brennstoffe und Umweltbedenken und hebt die erheblichen Vorteile erneuerbarer Energien bei der Reduzierung von Treibhausgasemissionen und der Bekämpfung des Klimawandels hervor. Biomasse, abgeleitet aus nicht fossilisierten organischen Materialien, erweist sich als bedeutender und nachhaltiger Beitrag zu erneuerbaren Energien. Ihre vielfältige Natur wird durch eine Reihe von Umwandlungstechnologien ergänzt, die Verbrennung, Pyrolyse, Vergasung und Verflüssigung umfassen und vielseitige Möglichkeiten für die Biomasse-Energieumwandlung bieten. Vergasung, der transformative Prozess der Umwandlung organischer Materie in brennbare Gase unter kontrollierten Sauerstoffniveaus, wird durch direkte Sauerstoffversorgung oder Pyrolyse erreicht. Dieses Verfahren liefert einen verlässlichen gasförmigen Brennstoff, der vielseitig für Heizung, industrielle Prozesse, Stromerzeugung und Produktion von flüssigen Brennstoffen eingesetzt werden kann. Maschinelles Lernen nutzt fortschrittliche statistische Techniken zur Modellierung in verschiedenen Branchen und zeigt eine besondere Wirksamkeit bei der Optimierung von thermochemischen Prozessen, indem es die optimalen Betriebsbedingungen zur Erreichung der gewünschten Produkteigenschaften präzise identifiziert. Diese Modelle verwenden proximate Biomassedaten, um die elementare Zusammensetzung von N2 und H2 vorherzusagen. Die Bewertung sowohl von Einzel- als auch von zwei hybriden Modellen zeigte, dass die eingeführten Optimierer die Schätzung von N2 und H2 signifikant verbesserten, wenn sie mit Entscheidungsbaum (DT) kombiniert wurden, wobei der Entscheidungsbaum gekoppelt mit dem Artificial Hummingbird Algorithmus (DTAH) besonders effektiv war. Bemerkenswerterweise zeigte DTAH herausragende Leistungen mit bemerkenswerten R2-Werten von 0,990 für N2 und 0,992 für H2. Darüber hinaus unterstreichen die minimalen Werte des Root Mean Square Error (RMSE) von 1,291 und 1,550 für die Vorhersagen von N2 und H2 jeweils die Präzision von DTAH und etablieren es als geeignete Wahl für praktische Anwendungen in der realen Welt.