AI Summary & Key Takeaways
AI InsightThe results demonstrate that integrating ensemble learning with evolutionary optimization provides both high predictive accuracy and actionable optimization capability for complex industrial systems.
📌 3 Key Takeaways
Abstract
Industrial spray drying is a complex nonlinear process characterized by strong interactions among thermal, mechanical, environmental, and temporal variables, making accurate prediction and operational optimization challenging. This study proposes a hybrid machine learning–evolutionary optimization framework for predictive modeling and intelligent operational optimization in industrial spray drying systems. The framework integrates Random Forest Regression (RFR) for nonlinear process prediction with a Genetic Algorithm (GA) for adaptive exploration of optimal operating conditions under industrial constraints. The RFR model achieved strong predictive performance, with a coefficient of determination of R² = 0.9144 and stable generalization performance (cross-validation R² = 0.8427 ± 0.2027), demonstrating robustness under dynamic industrial variability. Feature importance analysis revealed gas flow and temporal dynamics as the dominant process drivers, enhancing interpretability and supporting operational decision-making. The GA-based optimization identified operating configurations that improved process efficiency by approximately 5.91% compared to baseline conditions while maintaining operational feasibility. The results demonstrate that integrating ensemble learning with evolutionary optimization provides both high predictive accuracy and actionable optimization capability for complex industrial systems. Furthermore, the proposed surrogate-assisted framework reduces computational dependency on physical experimentation by enabling rapid evaluation of candidate operating conditions through data-driven intelligence. The study contributes a deployable data-driven optimization architecture for intelligent and energy-efficient manufacturing operations within Industry 4.0 environments.
Özet
Endüstriyel sprey kurutma, termal, mekanik, çevresel ve zamansal değişkenler arasındaki güçlü etkileşimlerle karakterize edilen karmaşık doğrusal olmayan bir süreçtir ve bu durum doğru tahmin ile operasyonel optimizasyonu zorlaştırmaktadır. Bu çalışma, endüstriyel sprey kurutma sistemlerinde tahmine dayalı modelleme ve akıllı operasyonel optimizasyon için hibrit bir makine öğrenmesi–evrimsel optimizasyon çerçevesi önermektedir. Önerilen çerçeve, doğrusal olmayan süreç tahmini için Rastgele Orman Regresyonu (RFR) ve endüstriyel kısıtlar altında optimum çalışma koşullarının uyarlanabilir şekilde araştırılması için Genetik Algoritmayı (GA) entegre etmektedir. RFR modeli, R² = 0,9144 belirleme katsayısı ve kararlı genelleştirme performansı (çapraz doğrulama R² = 0,8427 ± 0,2027) ile güçlü tahmin başarısı göstermiştir. Özellik önem analizi, gaz akışı ve zamansal dinamiklerin temel süreç belirleyicileri olduğunu ortaya koyarak yorumlanabilirliği ve operasyonel karar desteğini artırmıştır. GA tabanlı optimizasyon, operasyonel uygulanabilirliği korurken temel çalışma koşullarına kıyasla yaklaşık %5,91 süreç verimliliği artışı sağlayan optimum parametre yapılandırmalarını belirlemiştir. Sonuçlar, topluluk öğrenmesi ve evrimsel optimizasyonun entegrasyonunun karmaşık endüstriyel sistemlerde hem yüksek tahmin doğruluğu hem de uygulanabilir optimizasyon yeteneği sağladığını göstermektedir. Ayrıca önerilen vekil destekli çerçeve, veri odaklı zeka yoluyla aday çalışma koşullarının hızlı değerlendirilmesini sağlayarak fiziksel deneylere olan hesaplama bağımlılığını azaltmaktadır. Bu çalışma, Endüstri 4.0 ortamlarında akıllı ve enerji verimli üretim operasyonları için uygulanabilir veri odaklı bir optimizasyon mimarisi sunmaktadır.