Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightTahmin sonuçları, odun peletinin NIR spektrum değerlerini kalibre eden SVR ve ENS2 regresyon yöntemlerinin kül ve uçucu madde için 0.880- 0.984 belirleme katsayısı (R2) ve 0.444- 5.308 RMSE ile iyi performans elde ettiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Yakın Kızılötesi (NIR) Spektroskopi, gıda, petrokimya, ilaç ve tarım endüstrilerindeki malzemeleri karakterize etmek için zaman ve maliyet açısından etkin bir yöntemdir. Karbon içeren malzemelerin yakın analizi ve ısıl işlemlerin malzeme üzerindeki etkinliğinin araştırılması özellikle zaman alan bir süreçtir. Bu çalışmada, biyokütle ve ısıl işlem sıcaklığının yakın analizini tahmin etmek için dört regresyon yöntemi olan karar ağacı regresyonu, destek vektör regresyonu ve rassal orman regresyonunun iki versiyonu kullanılmıştır. Deneysel çabayı azaltmak ve ısıl işlem görmüş biyokütle hammaddesinin karakterizasyonunu teorik olarak sunmak için etkili bir yöntem önerilmiştir. Tahmin sonuçları, odun peletinin NIR spektrum değerlerini kalibre eden SVR ve ENS2 regresyon yöntemlerinin kül ve uçucu madde için 0.880- 0.984 belirleme katsayısı (R2) ve 0.444- 5.308 RMSE ile iyi performans elde ettiğini göstermektedir. Bu çalışma, entegre NIR spektroskopisine sahip makine öğrenmesine dayalı regresyon yöntemlerinin biyokütlenin hızlı karakterizasyon için alternatif bir yöntem olarak umut verici olduğunu göstermektedir. Mevcut çalışmanın bir başka olası uygulaması, biyokütle endüstrisinde tam otomatik yakıt kalitesi değerlendirme sisteminden önce işlenmiş yakıt tanıma sistemleri için kullanılabilmesidir.
Abstract
Near-Infrared (NIR) Spectroscopy is a time and cost-effective method to characterize the materials in the food, petrochemical, pharmaceutical, and agricultural industries. Proximate analysis of the carbon-containing materials and investigating the effectiveness of the heat treatments on the material are a particularly time-consuming process. This work presents the four regression methods, i.e., decision tree regression, support vector regression and two versions of ensembles of decision trees to predict the proximate analysis of biomass and heat treatment temperature. Thus, effective method has been proposed to reduce experimental effort and present the characterization of heat-treated biomass feedstock theoretically. Prediction results show that SVR and ENS2 regression methods calibrating the NIR spectra to the values of wood pellet properties achieved good performance with the coefficient of determination (R2) of 0.880- 0.984 and RMSE of 0.444- 5.308 for ash and volatile matter. This study suggests that machine learning-based regression methods with integrated NIR spectroscopy of biomass is promising as an alternative method for rapid characterization. Another possible application of the current study is that it can be used for processed fuel recognition prior to a fully automated fuel quality assessment system in the biomass industry.