利用机器学习从近似分析预测元素组成的生物质分类方法

《BioEnergy Research》：Biomass Classification for Prediction of Elemental Composition From Proximate Analysis Using Machine Learning

　　

摘要

生物质是一种宝贵的可再生资源，可用于生产可持续燃料和化学品；其高效利用依赖于准确的成分分析。本研究提出了一个机器学习框架，通过近似分析、净热量值以及生物质聚类来预测生物质中碳、氢、氧、氮和硫的元素组成。使用Phyllis2数据库中的426个样本构建了数据集，并通过局部异常因子（LOF）方法去除了异常值。首先基于近似分析和净热量值，利用k-means聚类对生物质样本进行分组，识别出四个具有不同成分特征的簇。将这些簇编码后，与输入变量一起作为数据输入到人工神经网络（ANN）中，以预测元素组成。该ANN在测试集上获得了较高的预测性能，均方误差为1.84，R2值为0.994。为了验证模型，使用基于聚类结果训练的逻辑回归模型对新样本进行了分类，随后再利用ANN预测了它们的元素组成。结果表明，该方法在预测碳、氢和氧的含量方面优于现有文献中的模型。而氮和硫的预测准确性较低，主要是由于它们的高变异性和分布偏斜。将生物质分类功能整合到该模型中，扩展了其在各种含碳材料（包括有机残渣和煤炭）中的应用范围，为生物质在气化等热化学过程中的选择提供了实用工具。

图形摘要

此图片的替代文本可能是由AI生成的。