CN117454327A - 基于多项式回归的有机废弃物热解气组分预测方法及系统 - Google Patents
基于多项式回归的有机废弃物热解气组分预测方法及系统 Download PDFInfo
- Publication number
- CN117454327A CN117454327A CN202311798815.4A CN202311798815A CN117454327A CN 117454327 A CN117454327 A CN 117454327A CN 202311798815 A CN202311798815 A CN 202311798815A CN 117454327 A CN117454327 A CN 117454327A
- Authority
- CN
- China
- Prior art keywords
- pyrolysis gas
- gas component
- organic waste
- data
- component prediction
- 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.)
- Granted
Links
- 238000000197 pyrolysis Methods 0.000 title claims abstract description 200
- 239000010815 organic waste Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002028 Biomass Substances 0.000 claims abstract description 67
- 239000010802 sludge Substances 0.000 claims abstract description 65
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 59
- 239000002023 wood Substances 0.000 claims description 10
- 239000002994 raw material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000005416 organic matter Substances 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 5
- 239000004033 plastic Substances 0.000 claims description 5
- 229920003023 plastic Polymers 0.000 claims description 5
- 239000005060 rubber Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000011368 organic material Substances 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 113
- 230000000694 effects Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011257 shell material Substances 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000011269 tar Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Processing Of Solid Wastes (AREA)
- Treatment Of Sludge (AREA)
Abstract
本发明属于有机废弃物热解技术领域，提供了一种基于多项式回归的有机废弃物热解气组分预测方法及系统，根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；然后，获取待预测的有机废弃物相关数据；对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；通过生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型进行预测；考虑了有机废弃物种类的不同对热解气组分的影响，解决了现有技术不能实现多类型有机物原料对热解气组分的预测的问题。
Description
技术领域
本发明属于有机废弃物热解技术领域，尤其涉及一种基于多项式回归的有机废弃物热解气组分预测方法及系统。
背景技术
目前对不同类型的有机物热解气的产生研究较多，通过实验室内热解装置可以对影响热解产生的因素进行全面分析。在实际工业中，有机物的原料存在不确定性，因此，通过不同类型的有机物原料对热解气的组分以及产量的预测，可以为工业生产提供数据基础。
发明人发现，目前没有一个广泛适用的预测模型对不同类型的有机物热解气的产生进行预测；通常，预测模型采用对神经网络进行训练，得到预测模型的方法，不能实现不同类型有机物原料对热解气组分的预测，且神经网络需要大量训练数据才能得到相对可靠的结果，并且存在精确模型生成难、模型可解释性低等问题，容易出现预测模型欠拟合、预测结果准确度低等现象。
发明内容
本发明为了解决上述问题，提出了一种基于多项式回归的有机废弃物热解气组分预测方法及系统，本发明考虑了有机废弃物种类的不同对热解气组分的影响，解决了现有技术不能实现多类型有机物原料对热解气组分的预测的问题，以及解决了预测准确度低的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种基于多项式回归的有机废弃物热解气组分预测方法，包括：
根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
获取待预测的有机废弃物相关数据；
对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
进一步的，生活垃圾热解气组分通过原料配比和热解温度来预测，原料包括木材、织物、橡胶和塑料；污泥热解气组分通过含水率、有机质含量和热解温度来预测；生物质热解气组分通过生物质类型和热解温度来预测。
进一步的，通过多项式回归算法对有机废弃物样本数据进行拟合处理时，以最小二乘法求解模型参数，得到所述污泥热解气组分预测模型和所述生物质热解气组分预测模型。
进一步的，以实际值和拟合值的差的绝对值最小为目标，求解所述污泥热解气组分预测模型和所述生物质热解气组分预测模型中自变量的各待定系数和常系数。
进一步的，所述生活垃圾热解气组分预测模型为：
；
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；/>、/>、、/>和/>分别表示常系数。
进一步的，所述污泥热解气组分预测模型为：
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；、/>、/>、/>和/>分别表示常系数。
进一步的，所述生物质热解气组分预测模型为：
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；/>、/>、/>、和/>分别表示常系数。
第二方面，本发明还提供了一种基于多项式回归的有机废弃物热解气组分预测系统，包括：
预测模型构建模块，被配置为：根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
数据采集模块，被配置为：获取待预测的有机废弃物相关数据；
数据分类模块，被配置为：对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
预测模块，被配置为：根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明首先根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；然后，获取待预测的有机废弃物相关数据；对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；最后将生活垃圾数据、污泥数据和生物质数据，分别通过生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型进行预测，得到热解气组分预测结果；考虑了有机废弃物种类的不同对热解气组分的影响，解决了现有技术不能实现多类型有机物原料对热解气组分的预测的问题，以及解决了预测准确度低和预测效率低的问题。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的流程图；
图2为本发明实施例1的预测系统框架示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
有机物热解技术是近年发展起来的一项处理有机废弃物的新技术，该技术可以使有机废弃物的处理达到无害化、减量化和资源化的目的，是目前有机垃圾处理方法的大趋势。热解技术可以将有机物转化为可利用的热解气、焦油以及焦炭等二次能源。热解是在少氧或缺氧的气氛下进行的分解反应，与焚烧相比，热解过程产生的二次污染排放物质较少。热解气是热解的主要产物之一，主要成分为CO、H2和CH4等可燃气体，热解气的产率和组成有机物的类型、组成和热解温度等条件的影响。
目前没有一个广泛适用的预测模型对不同类型的有机物热解气的产生进行预测；通常，预测模型采用对神经网络进行训练，得到预测模型的方法，不能实现不同类型有机物原料对热解气组分的预测，且存在预测准确度低的问题。
针对上述问题，如图1所示，本实施例提供了一种基于多项式回归的有机废弃物热解气组分预测方法，包括：
根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
获取待预测的有机废弃物相关数据；
对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
预设的生活垃圾、污泥和生物质有机废弃物样本数据可以通过热解实验得到。具体的，本实施例以数据驱动的方式，通过少量热解实验分别建立生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型。可选的，生活垃圾热解气组分通过原料配比和热解温度来预测，原料包括木材、织物、橡胶、塑料；污泥热解气组分通过含水率、有机质含量和热解温度来预测；生物质热解气组分通过生物质类型和热解温度来预测。基于不同比例不同类型的有机废弃物热解实验数据，分析相关性和规律，根据不同的有机废弃物类型确定模型输入和输出，采用多项式回归方法建立热解气组分预测模型，以最小二乘法求解模型参数，形成有机废弃物热解气组分预测系统，如图2所示为一种预测系统。
本实施例中，根据有机废弃物的组成成分，可以将有机废弃物分为生活垃圾类、污泥类和生物质类三类，针对三种不同类型的有机物进行热解气组分预测，可以分为基础数据收集、热解气组分预测和预测效果评估三部分，本实施例的具体步骤为：
S1、基础数据收集：
可选的，需要收集的基础数据包括生活垃圾基础数据、污泥基础数据和生物质基础数据三部分。基础数据模块包括生活垃圾基础数据、污泥基础数据和生物质基础数据。为热解气组分预测模块提供基础数据，用于预测模块的模型训练和测试。
S1.1、生活垃圾基础数据：
可选的，生活垃圾基础数据包括10列，前四列为生活垃圾成分比例，分别为木材、织物、橡胶和塑料；第五列为热解温度，范围在500℃-1000℃；后五列为生活垃圾热解后生成的主要气体组分比例，包括H2、CH4、CO、CO2和C2-C3的比例。生活垃圾基础数据至少包含10种不同的成分比例和6种不同的热解温度，数据范围需包含每种成分的最大比例、最小比例和最高热解温度、最低热解温度，数据量不低于20条。
S1.2、污泥基础数据收集：
可选的，污泥基础数据包括8列。前两列分别为污泥中含水率和含有机质比例，第三列为热解温度，后五列为生物质热解后生成的主要气体组分比例，包括H2、CH4、CO、CO2和C2-C3的比例，污泥基础数据至少包含10种不同的成分比例和6种不同的热解温度，数据范围需包含每种成分的最大比例、最小比例和最高热解温度、最低热解温度，数据量不低于20条。
S1.3、生物质基础数据收集：
可选的，生物质基础数据包括7列。第一列为生物质类型（木材类、秸秆类和果壳类），第二列为热解温度，后五列为污泥热解后生成的主要气体组分比例，包括H2、CH4、CO、CO2、C2-C3的比例。污泥基础数据至少包含3种不同的生物质类型和6种不同的热解温度，数据范围需覆盖三种生物质类型和最高热解温度、最低热解温度，数据量不低于20条。
S2、热解气组分预测：
S2.1、热解气组分预测模型建立：
根据三类基础数据，分别建立生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型。
可选的，生活垃圾热解气组分预测模型的自变量包括木材、织物、橡胶、塑料四种成分的比例和热解温度五个，分别用表示，因变量有五个，分别为热解气中H2、CH4、CO、CO2和C2-C3的比例，用/>表示。建立二次多项式回归模型如下：
其中，、/>、/>、/>、/>、/>、/>和/>分别表示生活垃圾热解气组分预测模型中自变量的待定系数；/>、/>、/>、/>和/>分别表示生活垃圾热解气组分预测模型中的常系数。
可选的，污泥热解气组分预测模型的自变量包括含水量、有机质含量的比例和热解温度三个，分别用表示，因变量有五个，分别为热解气中H2、CH4、CO、CO2和C2-C3的比例，用/>表示。建立二次多项式回归模型如下：
其中，；/>、/>、/>、/>、/>、/>、/>和/>分别表示污泥热解气组分预测模型中自变量的待定系数；/>、/>、/>、/>和/>分别表示污泥热解气组分预测模型中的常系数。
可选的，生物质热解气组分预测模型根据生物质的类型建立三个多项式回归模型，分别为木材、秸秆和果壳热解气组分预测模型。以其中一种类型木材为例说明模型建立过程，自变量为热解温度，用表示，因变量有五个，分别为热解气中H2、CH4、CO、CO2和C2-C3的比例，用/>表示。建立二次多项式回归模型如下：
其中，；/>、/>、/>、/>、/>、/>、/>和/>分别表示污泥热解气组分预测模型中自变量的待定系数；/>、/>、/>、/>和/>分别表示生物质木材热解气组分预测模型中的常系数。秸秆和果壳类预测模型建立过程与木材相同，在此不再详述。
S2.2、热解气组分预测模型求解：
可选的，采用最小二乘法对模型求解。具体的，以实际值和拟合值的差的绝对值最小为目标，求解模型中自变量的各待定系数和常系数，自变量的各待定系数和常系数确定之后，得到生活垃圾热解气组分的预测模型、污泥热解气组分的预测模型和生物质热解气组分的预测模型。
S3、预测效果评估：
可选的，热解气组分预测模型效果分为优、良和差三种。本实施例中，使用决定系数来判定模型拟合优度，决定系数大于等于0.85，则模型评估结果为优；决定系数大于等于0.7小于0.85，则效果评估结果为良；决定系数小于0.7，则效果评估结果为差，决定系数越接近1说明模型效果越好。
本实施例中的方法与传统热解气组分确定方法相比，在确定有机废弃物热解气组分的效率上表现出了优异性，能够揭示有机废弃物组分与热解气组分之间的关系，有效减少热解实验次数，提升了工业效率。一方面，本实施例中，基于有机废弃物热解基础数据采用多项式回归的方法建立预测模型，揭示热解规律，提升了热解气组分预测效率；另一方面，将有机废弃物分类、预测和效果评估有效结合，形成完整的系统，能够满足有机废弃物热解工业需求。
实施例2：
本实施例提供了一种基于多项式回归的有机废弃物热解气组分预测系统，包括：
预测模型构建模块，被配置为：根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
数据采集模块，被配置为：获取待预测的有机废弃物相关数据；
数据分类模块，被配置为：对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
预测模块，被配置为：根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
所述系统的工作方法与实施例1的基于多项式回归的有机废弃物热解气组分预测方法相同，这里不再赘述。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
Claims (10)
1.基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，包括：
根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
获取待预测的有机废弃物相关数据；
对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
2.如权利要求1所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，生活垃圾热解气组分通过原料配比和热解温度来预测，原料包括木材、织物、橡胶和塑料；污泥热解气组分通过含水率、有机质含量和热解温度来预测；生物质热解气组分通过生物质类型和热解温度来预测。
3.如权利要求1所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，通过多项式回归算法对有机废弃物样本数据进行拟合处理时，以最小二乘法求解模型参数，得到所述污泥热解气组分预测模型和所述生物质热解气组分预测模型。
4.如权利要求3所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，以实际值和拟合值的差的绝对值最小为目标，求解所述污泥热解气组分预测模型和所述生物质热解气组分预测模型中自变量的各待定系数和常系数。
5.如权利要求1所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，所述生活垃圾热解气组分预测模型为：
；
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；/>、/>、/>、/>和/>分别表示常系数。
6.如权利要求1所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，所述污泥热解气组分预测模型为：
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；/>、/>、/>、/>和/>分别表示常系数。
7.如权利要求1所述的基于多项式回归的有机废弃物热解气组分预测方法，其特征在于，所述生物质热解气组分预测模型为：
其中，、/>、/>、/>和/>分别表示热解气中H2、CH4、CO、CO2和C2-C3的比例；i表示整数；/>、/>、/>、/>、/>、/>、/>和/>分别表示待定系数；/>、/>、/>、和/>分别表示常系数。
8.基于多项式回归的有机废弃物热解气组分预测系统，其特征在于，包括：
预测模型构建模块，被配置为：根据预设的生活垃圾、污泥和生物质有机废弃物样本数据，通过多项式回归算法对有机废弃物样本数据进行拟合处理，得到生活垃圾热解气组分预测模型、污泥热解气组分预测模型和生物质热解气组分预测模型；
数据采集模块，被配置为：获取待预测的有机废弃物相关数据；
数据分类模块，被配置为：对有机废弃物相关数据进行分类，得到生活垃圾数据、污泥数据和生物质数据；
预测模块，被配置为：根据生活垃圾数据、污泥数据和生物质数据，分别通过所述生活垃圾热解气组分预测模型、所述污泥热解气组分预测模型和所述生物质热解气组分预测模型进行预测，得到热解气组分预测结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于多项式回归的有机废弃物热解气组分预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798815.4A CN117454327B (zh) | 2023-12-26 | 2023-12-26 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798815.4A CN117454327B (zh) | 2023-12-26 | 2023-12-26 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454327A true CN117454327A (zh) | 2024-01-26 |
| CN117454327B CN117454327B (zh) | 2024-03-15 |
Family
ID=89589604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311798815.4A Active CN117454327B (zh) | 2023-12-26 | 2023-12-26 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454327B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070162264A1 (en) * | 2003-05-07 | 2007-07-12 | Jones Peter J | Compositional modeling and pyrolysis data analysis methods |
| CN111965167A (zh) * | 2020-08-20 | 2020-11-20 | 天津大学 | 预测固体废弃物元素组成及热值的方法及装置 |
| CN113947142A (zh) * | 2021-10-14 | 2022-01-18 | 天津大学 | 一种酸性气体排放浓度预测方法、系统及存储介质 |
| CN115879635A (zh) * | 2022-12-21 | 2023-03-31 | 中国矿业大学(北京) | 污泥热解预测方法及装置、电子设备、存储介质 |
| US20230186254A1 (en) * | 2021-12-10 | 2023-06-15 | Tianjin University Of Commerce | Optimizing method for multi-source municipal solid waste combinations based on machine learning |
| CN116646022A (zh) * | 2023-06-05 | 2023-08-25 | 华中科技大学 | 有机固废热解三态产物的预测方法、装置、设备及介质 |
| CN117057137A (zh) * | 2023-08-15 | 2023-11-14 | 中国铁工投资建设集团有限公司 | 用于干化污泥热解气化工艺的碳减排量预测方法及存储介质 |
-
2023
- 2023-12-26 CN CN202311798815.4A patent/CN117454327B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070162264A1 (en) * | 2003-05-07 | 2007-07-12 | Jones Peter J | Compositional modeling and pyrolysis data analysis methods |
| CN111965167A (zh) * | 2020-08-20 | 2020-11-20 | 天津大学 | 预测固体废弃物元素组成及热值的方法及装置 |
| CN113947142A (zh) * | 2021-10-14 | 2022-01-18 | 天津大学 | 一种酸性气体排放浓度预测方法、系统及存储介质 |
| US20230186254A1 (en) * | 2021-12-10 | 2023-06-15 | Tianjin University Of Commerce | Optimizing method for multi-source municipal solid waste combinations based on machine learning |
| CN115879635A (zh) * | 2022-12-21 | 2023-03-31 | 中国矿业大学(北京) | 污泥热解预测方法及装置、电子设备、存储介质 |
| CN116646022A (zh) * | 2023-06-05 | 2023-08-25 | 华中科技大学 | 有机固废热解三态产物的预测方法、装置、设备及介质 |
| CN117057137A (zh) * | 2023-08-15 | 2023-11-14 | 中国铁工投资建设集团有限公司 | 用于干化污泥热解气化工艺的碳减排量预测方法及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 楚华, 李爱民: "城市生活垃圾在热解处理中的产气特性研究", 安全与环境学报, no. 02, 25 April 2002 (2002-04-25) * |
| 邢勇强;邢献军;张静;李永玲;张学飞;张贤文;: "基于机器学习的生物质三组分含量预测", 太阳能学报, no. 05, 28 May 2019 (2019-05-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454327B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Applying artificial neural networks (ANNs) to solve solid waste-related issues: A critical review | |
| Xia et al. | Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process | |
| CN107356710A (zh) | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 | |
| CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| Aghbashlo et al. | Describing biomass pyrolysis kinetics using a generic hybrid intelligent model: a critical stage in sustainable waste-oriented biorefineries | |
| Ibikunle et al. | Modelling the energy content of municipal solid waste and determination of its physico-chemical correlation using multiple regression analysis | |
| US20220092482A1 (en) | Method for predicting dioxin emission concentration | |
| Singh et al. | Determination of landfill gas generation potential from lignocellulose biomass contents of municipal solid waste | |
| US20230186254A1 (en) | Optimizing method for multi-source municipal solid waste combinations based on machine learning | |
| Yang et al. | On the Prediction of Biogas Production from Vegetables, Fruits, and Food Wastes by ANFIS‐and LSSVM‐Based Models | |
| Rahimi et al. | Yield prediction and optimization of biomass-based products by multi-machine learning schemes: Neural, regression and function-based techniques | |
| Ephantus et al. | An analysis of solid waste generation and characterization in thika municipality of Kiambu County, Kenya | |
| Li et al. | Critical factors and their effects on product maturity in food waste composting | |
| Sari et al. | Prediction of recovery energy from ultimate analysis of waste generation in Depok City, Indonesia | |
| Tian et al. | Combustion performance of fine screenings from municipal solid waste: Thermo-kinetic investigation and deep learning modeling via TG-FTIR | |
| Li et al. | Prediction of char yield and nitrogen fixation rate from pyrolysis of sewage sludge based on machine learning | |
| Teh et al. | Estimation of higher heating value of biomass from proximate and ultimate analysis: a novel approach | |
| CN117454327B (zh) | 基于多项式回归的有机废弃物热解气组分预测方法及系统 | |
| Wang | Multicriteria sustainability ranking of biohydrogen systems | |
| Song et al. | Machine learning prediction of biochar physicochemical properties based on biomass characteristics and pyrolysis conditions | |
| Ayub et al. | Co-Pyrolysis of biomass and plastic waste: Process prediction and optimization based on Artificial Intelligence and response optimizer surrogate model | |
| Aziz et al. | Environmental Impact Evaluation of Improved Market Waste Processing as Part of Municipal Solid Waste Management System Using Life Cycle Assessment Method | |
| El Kourdy et al. | Potential assessment of combustible municipal wastes in Morocco and their ability to produce bio-oil by pyrolysis | |
| Yusuff et al. | Physico-chemical composition and energy content analysis of solid waste: a case study of Castlereagh District, Northern Ireland | |
| Istoto et al. | Production of Fuels From High Density Polyethylene and Low Density Polyethylene Plastic Wastes via Pyrolysis Methods |
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 |