کاربرد یادگیری ماشین درگازی سازی زیست توده

گازی شدن یک رویکرد پایدار برای تصفیه زباله های زیست توده ای با تولید همزمان گاز سنتز ۲H است. با این حال، این فرآیند ترموشیمیایی پیچیده شامل محصولات چند فازی دیگری نیز می باشد، که توزیع و ترکیب محصولات به شدت به اطلاعات مواد اولیه و شرایط گازی شدن بستگی دارد. در حال حاضر، درک کامل و بهینه سازی این فرآیند هنوز چالش برانگیز است. در این تحقیق علمی، چهار روش یادگیری ماشین مبتنی بر داده ( Machine Learning ) برای مدل سازی فرآیند تبدیل به گاز زباله زیست توده برای پیش بینی محصول و تفسیر و بهینه سازی فرآیند استفاده شده. نتایج نشان داد که مدل رگرسیون تقویت گرادیان (GBR) عملکرد خوبی برای پیش بینی محصولات سه فازی و ترکیبات گاز سنتز با آزمون ۲R مقادیری بین ۰.۸۲ - ۰.۹۶ ر ا نشان داد . تفسیر مبتنی بر مدل GBR نشان داد که هم شرایط خوراک و هم شرایط گازی (شامل محتویات خاکستر مواد اولیه، کربن، نیتروژن، اکسیژن و دمای تبدیل به گاز) عوامل مهمی هستند که بر توزیع قیر، قطران و گاز سنتز تاثیر می گذارند . علاوه بر این، مشخص شد که یک ماده اولیه با محتوای کربن بالاتر (> ۴۸٪) ، نیتروژن کمتر (<۰.۵٪) و خاکستر (۱ - ٪ ۵ ٪) در دمای بیش از ۸۰۰ درجه سانتیگراد می تواند عملکرد بالاتری از ۲H غنی داشته باشد . گاز سنتز نشان داده شد که شرایط بهینه پیشنهاد شده توسط این مدل می تواند خروجی حاوی ۶۰ % تا۶۲% گاز سنتز و بازده ۴۴.۳۴ mol/kg ۲H را به دست آورد . این بینش های ارزشمند ارائه شده از تفسیر مبتنی بر مدل می تواند به درک و بهینه سازی گازی سازی زیست توده برای هدایت تولید گاز سنتز غنی از ۲H کمک کند .

کلیدواژه ها:

زیست توده ، گاز سنتز ، گازی سازی ( Gasification ) ، یادگیری ماشین ( Machine Learning ) ، مدل رگرسیون ، گاز سنتز