Application of machine learning to pyrolysis reaction networks: Reducing model solution time to enable process optimization

مدل های جامع پیرولیز زیست توده برای تولید سوخت های تجدید پذیر و مواد شیمیایی از زیست توده مورد نیاز است. متاسفانه، طرح های دقیق سینتیکی مورد نیاز برای بهینه سازی فرآیندهای فاضلاب زیست توده صنعتی، هزینه بسیار زیادی را برای محاسبه در مدل هایی که برای هر دو سینتیک و حمل و نقل در ذرات واکنش به حساب می آیند، می پردازند. در اینجا ما یک رویکرد یادگیری ماشین را با استفاده از شبکه های عصبی مصنوعی و درخت های تصمیم گیری ارائه می دهیم تا هزینه های محاسباتی مدل های جنبشی دقیق را با چهار مرتبه کاهش دهند، که باعث استفاده از آنها در مدل های جامع می شود. شبکه های عصبی آموزش دیده بسیار خوب، پیش بینی خروجی مدل جنبشی دقیق با دقت بیش از 99.9٪ در داده های جدید بسیار خوب است. رویکرد یادگیری ماشین ما مشخص نیست برای مدل سازی جنبشی مشخص نیست و می توان آن را به هر مجموعه ای از داده های ورودی و خروجی اعمال کرد، حتی اگر رابطه اساسی بین ورودی ها و خروجی ها ناشناخته باشد.