CN110824099B - 基于gbrt预测固体燃料化学链过程中反应性能的方法 - Google Patents

基于gbrt预测固体燃料化学链过程中反应性能的方法 Download PDF

Info

Publication number
CN110824099B
CN110824099B CN201911081534.0A CN201911081534A CN110824099B CN 110824099 B CN110824099 B CN 110824099B CN 201911081534 A CN201911081534 A CN 201911081534A CN 110824099 B CN110824099 B CN 110824099B
Authority
CN
China
Prior art keywords
solid fuel
chemical chain
data
experimental
chain process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911081534.0A
Other languages
English (en)
Other versions
CN110824099A (zh
Inventor
王璐璐
沈来宏
付晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201911081534.0A priority Critical patent/CN110824099B/zh
Publication of CN110824099A publication Critical patent/CN110824099A/zh
Application granted granted Critical
Publication of CN110824099B publication Critical patent/CN110824099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明涉及一种预测固体燃料化学链过程中的反应性能的方法，包括(1)通过固体燃料化学链实验研究收集数据；(2)整理数据，得到训练样本和测试样本；(3)使用梯度提升回归树模型对训练样本进行训练；(4)对固体燃料化学链过程中的反应性能进行预测。通过遍历数据组合，预测结果，根据不同化学链技术的需求，得到对应的化学链工况参数。相对于现有技术，本发明通过梯度提升回归树模型对各种固体燃料在化学链过程中的反应性能进行预测，大幅度减少实验的数量，节省大量人力物力，且有利于直观定量地预测化学链过程中的燃料转化率等，对优化化学链过程具有一定的指导意义。

Description

基于GBRT预测固体燃料化学链过程中反应性能的方法
技术领域
本发明涉及一种预测固体燃料在化学链过程中的反应性能的方法，尤其是基于梯度提升回归树模型(即Gradient Boost Regression Tree,缩写为GBRT)预测固体燃料化学链过程中的反应性能的方法，属于化学链燃烧技术领域。
背景技术
化学链技术主要包括化学链燃烧和化学链气化等，过程中，燃料不与空气直接接触，而是通过载氧体在两个反应器之间进行交替循环反应，以实现氧的传递。化学链燃烧可以无需额外的能量消耗实现CO2内分离，化学链气化则是以载氧体代替纯氧使固体燃料气化，减少运行成本，并且载氧体具有催化气化的作用，因此，化学链技术是实现固体燃料高效清洁利用的重要技术之一。
固体燃料的化学链过程是一个复杂的热化学过程，受到很多因素的影响。在研究基于化学链技术处理固体燃料的过程时，固体燃料可以为烟煤、褐煤、无烟煤、石油焦等各类不同种燃料及其多种混合的燃料。其次，载氧体作为热载体和氧载体，在化学链过程中起到关键作用，载氧体也有很多类型，如常见的铁基，铜基，镍基载氧体，更有多金属载氧体和天然载氧体等。经过前期的实验研究发现，水蒸气含量，反应温度，O/C(载氧体中含氧的摩尔量与固体燃料中含碳的摩尔量之比)等都对实验结果和化学链过程产生重要的影响。由于固体燃料的不确定性，载氧体种类的不确定性，反应条件的不确定性，通常需要大量的实验和数据来选取较优的实验材料和条件。实验结果也通常是多个离散的结果，表示大致趋势，并且需要花费大量的时间、人力、物力和财力来获得较优的工况。而随着人工智能的高速发展，可以通过人工智能辅助科研人员的实验研究，缩小实验参数的范围和实验数量，来预测固体燃料在化学链过程中的反应性能，进而发展化学链技术。根据实验参数输入预测实验结果可以转化为机器学习中的有监督回归问题。常用的回归方法有多元线性回归、逻辑回归、支持向量回归、以及近年来兴起的神经网络方法。然而由于在化学链过程的场景中，数据的维度通常较高，数据间的内部逻辑复杂，使用线性回归等方法难以对复杂数据空间进行建模，而神经网络方法需要大量的标记数据，难以获得，因而不适用于化学链过程预测的场景。
发明内容
技术问题：针对现有技术的不足，本发明提出一种基于GBRT预测固体燃料化学链过程中的反应性能的方法，可以简单直接地通过建立梯度提升回归树模型，已知固体燃料、载氧体等反应物的基本性质以及实验条件参数预测出相应的评价指标，为固体燃料化学链过程的预测提供了一种可行方法，从而预测得到最优的工况参数。
技术方案：本发明基于GBRT预测固体燃料化学链过程中的反应性能的方法，包括以下步骤：
(1)通过固体燃料化学链实验研究收集数据；
(2)整理数据，得到训练样本和测试样本；
(3)使用梯度提升回归树模型对训练样本进行训练；
(4)对固体燃料在化学链过程中的反应性能进行预测。
进一步地，步骤(1)所述固体燃料化学链实验包括固体燃料和载氧体的气化和燃烧。
进一步地，步骤(1)中所述固体燃料包括煤类、生物质、石油焦中的一种或多种混合燃料；化学链实验过程中需要的载氧体，包括铁基、镍基、铜基或多金属载氧体，以及天然载氧体。
进一步地，所述步骤(2)包括以下子步骤：
(2.1)根据所述步骤(1)中记录的实验结果，计算固体燃料化学链过程的评价指标；
(2.2)筛选实验数据，去除明显错误的数据，并且对多次实验结果取平均值，在实验条件的范围内均匀地对数据采样；
(2.3)选取训练样本，X＝{x1，x2，…，xn}，xi(1≤i≤n)表示训练样本中第i次实验的所有条件参数的集合，Y＝{y1，y2…yn}，yi(1≤i≤n)表示的是训练样本中第i次实验中固体燃料化学链过程的评价指标，n表示训练样本的数量；
(2.4)均匀随机抽取测试集，A＝{α1，α2，…，αm}，αi(1≤i≤n)表示测试样本中第i次实验的所有条件参数的集合，B＝{β1，β2…βm}，βi(1≤i≤n)表示测试样本中第i次实验中固体燃料化学链过程的评价指标，验证模型的可行性，m表示测试数据样本的数量。
进一步地，所述步骤(3)包括以下子步骤：
(3.1)训练的目标：学习一个函数F(x)，使得损失函数最小，损失函数通过最小二乘法定义为：
Figure BDA0002264118370000021
(3.2)设置初始化函数F0为常函数：
Figure BDA0002264118370000022
(3.3)设置最大的迭代次数T，对于每一步t＝1，…，T，对于每个数据样本计算梯度：
Figure BDA0002264118370000031
根据得到的中间数据X＝{x1，x2，…，xn}，Rt＝{r1t，r2t…rnt}，使用CART的构造方法构造回归树ht(x)拟合(X，Rt)。；
计算因子ct：
Figure BDA0002264118370000032
更新模型：
Ft(x)＝Ft-1(x)+cht(x)
(3.4)输出最终的模型
F(x)＝FT(x)。
进一步地，所述步骤(3)中，给出所有实验参数的取值范围和取值精度，遍历所有可能的数据组合，将每种组合输入到F(x)中得到预测的输出结果，根据化学链过程中不同目的和需求选择最优的预测结果，并得到其对应的工况参数。
有益效果：本发明相对现有技术具备如下有益效果，本发明提出的预测固体燃料的化学链过程中的反应性能的方法，与通过大量实验方法预测并获得化学链过程结果的方法相比，节省了时间、人力、物力和财力，简单快捷，同时可为实验条件的设置提供进一步的理论和数据支持，具有一定的指导意义。选择梯度提升回归树模型的原因是相比于支持向量机回归等模型，可以优先自动学习更重要的特征，并且更适用于数据规模较小，数据特征维度较少，特征数据连续，数据不一定线性可分的情况，更适合应用于固体燃料化学链过程的预测。
附图说明
图1为实施例的具体步骤的示意图。
图2为获得实验数据的基于固体燃料化学链反应的单批次进料小型流化床实验装置；
图3为测试组的实验得到的数据碳转化率ηC与通过梯度提升回归树GBRT模型和支持向量回归SVR模型预测结果的对比图；
图4为测试组的实验得到的数据有效合成气比例Wsyngas与通过梯度提升回归树GBRT模型和支持向量回归SVR模型预测结果的对比图。
具体实施方式
下面将结合附图和具体实施例进一步阐明本发明的内容，但该实施例仅用于说明本发明而不用于限制本发明的保护范围。实施例的具体步骤如图1所示。
首先，选择固体燃料为石油焦和无烟煤，载氧体为铁矿石，本实施例中的固体燃料可以选用煤类(包括褐煤，烟煤，无烟煤)、生物质、石油焦中的一种或多种混合燃料；载氧体可以选用铁基、镍基、铜基或多金属载氧体，以及天然载氧体。在单批次进料小型流化床进行实验研究。选取反应温度、水蒸气流量、O/C(载氧体中含氧的摩尔量与固体燃料中含碳的摩尔量之比)、燃料的固定碳含量为实验条件参数，选取碳转化率和合成气比例作为评价化学链过程的指标。基于梯度提升回归树模型的固体燃料化学链过程的预测方法包括以下具体步骤：
(1)在如图2中所示的反应系统中进行固体燃料化学链实验研究：
(1.1)将铁矿石加入反应器中，并升温到设定温度，温度范围为800-1000℃，升温过程中通入惰性气体氮气作为载气。当温度到达设定温度后，通入氧气和氮气的混合气进行氧化，使铁矿石完全氧化。之后通入氮气进行吹扫，排出反应器中残留气体。加入固体燃料，通入气化介质水蒸气，进行燃料的气化和燃烧等一系列复杂的热化学反应。
(1.2)通过集气袋收集燃料与铁矿石在水蒸气作为气化介质的状态下的反应烟气，每两分钟集气一次，并用烟气分析仪分析测得烟气中CO，CO2，CH4，H2的气体浓度。本实施例中实验结果中生成气体的浓度可采用在线分析，也可采用集气袋收集后线下再通过烟气分析仪测量。本实施例中需要在同一条件下进行多次实验，保证数据的准确性。本实施例中在各个实验条件的区间内，均匀地设置实验条件参数，使实验数据可以均匀采样。
(2)整理数据，得到训练样本和测试样本：
(2.1)根据实验得到的生成气体的浓度，计算评价固体燃料化学链过程的指标碳转化率ηC和有效合成气比例Wsyngas：
Figure BDA0002264118370000041
其中，Xi(i＝CO，CO2，CH4，H2)是烟气中CO，CO2，CH4，和H2的摩尔体积分数，nC，Fuel是燃料中包含的碳的摩尔量。
Figure BDA0002264118370000042
其中，
Figure BDA0002264118370000043
是通入氮气的摩尔流量。
Figure BDA0002264118370000044
(2.2)筛选实验数据，去除明显错误的数据，并且对多次实验结果取平均值，在实验条件的范围内均匀地对数据采样。
(2.3)选取训练样本，X＝{x1，x2，…，xn}表示实验条件参数，Y＝{y1，y2…yn}表示的是固体燃料化学链过程的评价指标。n＝20表示数据样本的数量。
(2.4)均匀随机抽取测试集，A＝{α1，α2，…，αm}表示实验条件参数，B＝{β1，β2…βm}表示的是固体燃料化学链过程的评价指标，验证模型的可行性。m＝3表示数据样本的数量。
(3)选择梯度提升回归树模型(Gradient Boost Regression Tree，GBRT)作为模型，训练模型：
(3.1)训练的目标：学习一个函数F(x)，使得损失函数最小，损失函数通过最小二乘法定义为：
Figure BDA0002264118370000051
(3.2)设置初始化函数F0为常函数：
Figure BDA0002264118370000052
(3.3)设置最大的迭代次数T＝500，对于每一步t＝1，…，T，对于每个数据样本计算梯度：
Figure BDA0002264118370000053
根据得到的中间数据X＝{x1，x2，…，xn}，Rt＝{r1t，r2t…rnt}，使用CART的构造方法构造回归树ht(x)拟合(X，Rt)。参数设置为树的最大深度为4，最小分裂节点数为2，学习率为0.01。
计算因子ct：
Figure BDA0002264118370000054
更新模型：
Ft(x)＝Ft-1(x)+cht(x)
(3.4)输出最终的模型
F(x)＝FT(x)
经过训练后，输入测试集中实验参数，通过梯度提升回归树GBRT模型预测相应的碳转化率ηC和有效合成气比例Wsyngas见图3和图4，与真实值比较相差不大，残差平方和为17.74。通过使用支持向量回归SVR模型预测做对比，其中训练参数C＝50，ε＝1，使用的训练数据和梯度回归树模型GBRT相同，结果残差平方和为57.43。因此，采用梯度提升回归树GBRT模型预测固体燃料化学链过程中的反应性能可行，并且相对于支持向量回归SVR模型更合适。
(4)给出所有实验参数的取值范围和取值精度，遍历所有可能的数据组合，将每种组合输入到F(x)中得到预测的输出结果，根据化学链过程中不同目的和需求选择最优的预测结果，并得到其对应的实验条件参数。
综上，相比于通过大量实验方法预测并获得化学链过程结果的方法相比，节省了时间、人力、物力和财力，简单快捷，同时可为实验条件的设置提供进一步的理论和数据支持，具有一定的指导意义。并且梯度提升回归树模型更适合应用于固体燃料化学链过程的预测。
特别说明，以上对本发明的具体实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下对具体操作步骤作出各种变化以及各种反应物和反应条件进行更改替换，因此直接或间接运用本发明在其他相关领域均包含于本发明所涵范围内。

Claims (4)

1.一种基于GBRT预测固体燃料化学链过程中的反应性能的方法，其特征在于：包括以下步骤：
(1)通过固体燃料化学链实验研究收集数据；
(2)整理数据，得到训练样本和测试样本；
(3)使用梯度提升回归树模型对训练样本进行训练；
(4)对固体燃料在化学链过程中的反应性能进行预测；
所述步骤(2)包括以下子步骤：
(2.1)根据所述步骤(1)中记录的实验结果，计算固体燃料化学链过程的评价指标；
(2.2)筛选实验数据，去除明显错误的数据，并且对多次实验结果取平均值，在实验条件的范围内均匀地对数据采样；
(2.3)选取训练样本，X＝{x1,x2,…,xn}，xi(1≤i≤n)表示训练样本中第i次实验的所有条件参数的集合，Y＝{y1,y2…yn}，yi(1≤i≤n)表示的是训练样本中第i次实验中固体燃料化学链过程的评价指标，n表示训练样本的数量；选取反应温度、水蒸气流量、载氧体中含氧的摩尔量与固体燃料中含碳的摩尔量之比、燃料的固定碳含量为实验条件参数，选取碳转化率和合成气比例作为评价化学链过程的指标；
(2.4)均匀随机抽取测试集，A＝{α1,α2,…,αm}，αi(1≤i≤n)表示测试样本中第i次实验的所有条件参数的集合，B＝{β1,β2…βm}，βi(1≤i≤n)表示测试样本中第i次实验中固体燃料化学链过程的评价指标，验证模型的可行性，m表示测试数据样本的数量；
所述步骤(3)包括以下子步骤：
(3.1)训练的目标：学习一个函数F(x)，使得损失函数最小，损失函数通过最小二乘法定义为：
Figure FDA0003470894770000011
(3.2)设置初始化函数F0为常函数：
Figure FDA0003470894770000012
(3.3)设置最大的迭代次数T，对于每一步t＝1,…,T，对于每个数据样本计算梯度：
Figure FDA0003470894770000013
根据得到的中间数据X＝{x1,x2,…,xn}，Rt＝{r1t,r2t…rnt}，使用CART的构造方法构造回归树ht(x)拟合(X,Rt)；
计算因子ct：
Figure FDA0003470894770000021
更新模型：
Ft(x)＝Ft-1(x)+cht(x)
(3.4)输出最终的模型
F(x)＝FT(x)。
2.根据权利要求1所述的基于GBRT预测固体燃料化学链过程中的反应性能的方法，其特征在于：步骤(1)所述固体燃料化学链实验包括固体燃料和载氧体的气化和燃烧。
3.根据权利要求1所述的基于GBRT预测固体燃料化学链过程中的反应性能的方法，其特征在于：步骤(1)中所述固体燃料包括煤类、生物质、石油焦中的一种或多种混合燃料；化学链实验过程中需要的载氧体，包括铁基、镍基、铜基或多金属载氧体，以及天然载氧体。
4.根据权利要求1所述的基于GBRT预测固体燃料化学链过程中的反应性能的方法，其特征在于：所述步骤(3)中，给出所有实验参数的取值范围和取值精度，遍历所有可能的数据组合，将每种组合输入到F(x)中得到预测的输出结果，根据化学链过程中不同目的和需求选择最优的预测结果，并得到其对应的工况参数。
CN201911081534.0A 2019-11-07 2019-11-07 基于gbrt预测固体燃料化学链过程中反应性能的方法 Active CN110824099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911081534.0A CN110824099B (zh) 2019-11-07 2019-11-07 基于gbrt预测固体燃料化学链过程中反应性能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911081534.0A CN110824099B (zh) 2019-11-07 2019-11-07 基于gbrt预测固体燃料化学链过程中反应性能的方法

Publications (2)

Publication Number Publication Date
CN110824099A CN110824099A (zh) 2020-02-21
CN110824099B true CN110824099B (zh) 2022-03-04

Family

ID=69553160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911081534.0A Active CN110824099B (zh) 2019-11-07 2019-11-07 基于gbrt预测固体燃料化学链过程中反应性能的方法

Country Status (1)

Country Link
CN (1) CN110824099B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898675B (zh) * 2020-07-30 2021-04-23 北京云从科技有限公司 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202546743U (zh) * 2012-03-23 2012-11-21 华北电力大学 一种基于三床结构燃料反应器的固体燃料化学链燃烧系统
JP2013194213A (ja) * 2012-03-22 2013-09-30 Babcock Hitachi Kk ケミカルルーピング燃焼システム
AU2013207655A1 (en) * 2012-07-23 2014-02-06 General Electric Technology Gmbh Nonlinear model predictive control for chemical looping process
CN103853915A (zh) * 2014-01-14 2014-06-11 辽宁科技大学 一种由炼焦煤非线性优化配煤预测焦炭质量的方法
CN104763999A (zh) * 2015-03-04 2015-07-08 内蒙古瑞特优化科技股份有限公司 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN108489912A (zh) * 2018-05-11 2018-09-04 东北大学 一种基于煤炭光谱数据的煤炭成分分析方法
CN108614068A (zh) * 2018-04-25 2018-10-02 华北电力大学 一种化学链燃烧过程载氧体氧化还原性能预测装置及方法
CN109344971A (zh) * 2018-09-26 2019-02-15 北京工业大学 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
CN110348580A (zh) * 2019-06-18 2019-10-18 第四范式（北京）技术有限公司 构建gbdt模型的方法、装置及预测方法、装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3010283C (en) * 2015-12-29 2024-02-13 Schlumberger Canada Limited Machine learning for production prediction

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013194213A (ja) * 2012-03-22 2013-09-30 Babcock Hitachi Kk ケミカルルーピング燃焼システム
CN202546743U (zh) * 2012-03-23 2012-11-21 华北电力大学 一种基于三床结构燃料反应器的固体燃料化学链燃烧系统
AU2013207655A1 (en) * 2012-07-23 2014-02-06 General Electric Technology Gmbh Nonlinear model predictive control for chemical looping process
CN103853915A (zh) * 2014-01-14 2014-06-11 辽宁科技大学 一种由炼焦煤非线性优化配煤预测焦炭质量的方法
CN104763999A (zh) * 2015-03-04 2015-07-08 内蒙古瑞特优化科技股份有限公司 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN108614068A (zh) * 2018-04-25 2018-10-02 华北电力大学 一种化学链燃烧过程载氧体氧化还原性能预测装置及方法
CN108489912A (zh) * 2018-05-11 2018-09-04 东北大学 一种基于煤炭光谱数据的煤炭成分分析方法
CN109344971A (zh) * 2018-09-26 2019-02-15 北京工业大学 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
CN110348580A (zh) * 2019-06-18 2019-10-18 第四范式（北京）技术有限公司 构建gbdt模型的方法、装置及预测方法、装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Prediction of In-Situ Gasification Chemical Looping Combustion Effects of Operating Conditions;Xiaojia Wang et al.;《Catalysts》;20181107;第8卷(第526期);第1-22页 *
Review of reactor for chemical looping combustion of solid fuels;Tao Song et al.;《International Journal of Greenhouse Gas Control》;20180630;第76卷;第92-110页 *
化学链燃烧技术的研究进展综述;王金星等;《华北电力大学学报》;20190930;第46卷(第5期);第100-110页 *
高硫石油焦化学链燃烧特性及硫的转化;王璐璐等;《东南大学学报（自然科学版）》;20190331;第49卷(第2期);第288-295页 *

Also Published As

Publication number Publication date
CN110824099A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Ozbas et al. Hydrogen production via biomass gasification, and modeling by supervised machine learning algorithms
Li et al. Machine learning aided supercritical water gasification for H2-rich syngas production with process optimization and catalyst screening
Umenweke et al. Machine learning methods for modeling conventional and hydrothermal gasification of waste biomass: A review
Karimi et al. Robust intelligent topology for estimation of heat capacity of biochar pyrolysis residues
Lin et al. Multi-criteria sustainability assessment and decision-making framework for hydrogen pathways prioritization: An extended ELECTRE method under hybrid information
Liu et al. Data-driven modeling for UGI gasification processes via an enhanced genetic BP neural network with link switches
Özveren et al. Investigation of steam gasification in thermogravimetric analysis by means of evolved gas analysis and machine learning
Akinpelu et al. Machine learning applications in biomass pyrolysis: from biorefinery to end-of-life product management
CN110824099B (zh) 基于gbrt预测固体燃料化学链过程中反应性能的方法
Rahimi et al. Yield prediction and optimization of biomass-based products by multi-machine learning schemes: Neural, regression and function-based techniques
von Berg et al. Correlations between tar content and permanent gases as well as reactor temperature in a lab-scale fluidized bed biomass gasifier applying different feedstock and operating conditions
CN114550838A (zh) 一种多组分有机废物高温气化炉内温度的软测量方法
Ayub et al. Estimation of syngas yield in hydrothermal gasification process by application of artificial intelligence models
Devasahayam Deep learning models in Python for predicting hydrogen production: A comparative study
Hadavandi et al. Estimation of coking indexes based on parental coal properties by variable importance measurement and boosted-support vector regression method
Gil et al. Biomass to energy: A machine learning model for optimum gasification pathways
Wu et al. Effects of pressure and heating rate on coal pyrolysis: A study in simulated underground coal gasification
Suparmin et al. Biomass for dual-fuel syngas diesel power plants. Part I: The effect of preheating on characteristics of the syngas gasification of municipal solid waste and wood pellets
Khan et al. Artificial neural network-assisted thermogravimetric analysis of thermal degradation in combustion reactions: A study across diverse organic samples
Ozonoh et al. Dataset from estimation of gasification system efficiency using artificial neural network technique
CN115762664A (zh) 一种多组分有机废物高温气化过程产气组分的预测方法
An et al. Research on a soft-measurement model of gasification temperature based on recurrent neural network
Alfarra et al. Artificial intelligence methods for modeling gasification of waste biomass: a review
Devasahayam Deep Learning Models for Hydrogen Production Prediction in Python: A Comparative Study
Bongomin et al. Exploring Insights in Biomass and Waste Gasification via Ensemble Machine Learning Models and Interpretability Techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant