精选论文||《能源环境保护》“机器学习”研究领域

文摘   科学   2024-10-28 10:30   浙江  


机器学习



机器学习是人工智能的一个重要分支,可高效处理和分析海量的数据,揭示复杂系统内部的关联和规律,优化能源分配与调度,从而促进能源的高效利用。随着技术的不断进步,机器学习在能源环境领域的应用将更加广泛,逐渐成为推动能源转型、环境保护和实现可持续发展目标的关键技术支撑,对构建绿色、低碳的未来社会具有重要意义。
《能源环境保护》编辑部精选了5篇机器学习研究领域的论文,以期为相关研究人员提供参考。
扫描下方二维码获取“机器学习”精选论文全文:


稿件列表


01 机器学习加速能源环境催化材料创新的研究进展

摘要

“双碳”背景下,加快研发高效的能源与环境催化材料有助于推进能源清洁利用和环境污染治理。传统催化材料研发模式主要依赖实验试错方法,难以满足能源与环境领域对高效催化材料的研发需求。快速发展的机器学习等数据科学技术为催化材料研发带来范式变革的契机。基于机器学习、实验数据和计算数据的有机结合,可对催化材料进行快速筛选,突破传统试错法的局限性,有利于解决催化剂研发效率低、成本高等难题。本文从催化材料的位点预测、配方筛选、构型设计以及反应路径优化等角度讨论了机器学习方法加快能源与环境催化材料创新的研究进展,分析了不同训练数据获取途径对应的机器学习方法构建及其在催化材料开发中的应用,展望了机器学习加快催化材料研究方法创新的发展趋势,以期为促进其在能源与环境领域的应用提供启示。

出版信息:

张霄, 董毅, 林赛赛, 傅雨杰, 徐丽, 赵海涛, 杨洋, 刘鹏, 刘少俊, 张涌新, 郑成航, 高翔. 机器学习加速能源环境催化材料的创新研究[J]. 能源环境保护, 2023, 37(3): 1-12. DOI:10.20078/j.eep.20230511.
ZHANG Xiao, DONG Yi, LIN Saisai, FU Yujie, XU Li, ZHAO Haitao, YANG Yang, LIU Peng, LIU Shaojun, ZHANG Yongxin, ZHENG Chenghang, GAO Xiang. Machine learning accelerating innovative researches on energy and environmental catalysts[J]. Energy Environmental Protection, 2023, 37(3): 1-12. DOI:10.20078/j.eep.20230511.


02 基于机器学习的废塑料热解制燃料模型构建研究

摘要

废塑料热解制油(如航空燃料)与合成气(一氧化碳和氢气)是回收利用废塑料的重要途径。原料类型、工况条件等因素对热解产物产生重要影响,这使得热解过程的反应机理较为复杂,需通过大量实验数据探究反应规律,且实验成本高。机器学习具有数据处理量大、便于提炼统计规律的优势,可降低成本与研究难度。因此,基于多种机器学习算法,利用以无催化和分子筛催化剂催化为主体的数据构建模型,对原料热解进行研究。结果表明,在选取的几种模型中,梯度提升回归算法(GBR)对热解油产率的预测具有最好的拟合性能(R2=0.91,RMSE=7.78),而自适应提升算法(AdaBoost)对热解气产率的预测具有最好的拟合性能(R2=0.83,RMSE=6.42),因此用于预测反应条件。通过排列重要性分析与单依赖性分析,在加热速率约为20℃/min、温度为500℃时,油料的产率较高。同时,对热解油产率与反应温度、加热速率和反应时间3个条件进行了双依赖性分析。量化了加热速率、热解温度等反应条件对废塑料热解油气产率的影响,为废塑料回收的生产实践提供了理论基础。

出版信息:

谌思罕, 袁志龙, 王晔, 孙轶斐. 基于机器学习的废塑料热解制燃料模型构建研究[J]. 能源环境保护, 2024, 38(5): 127-134. DOI: 10.20078/j.eep.20240704.

CHEN Sihan, YUAN Zhilong, WANG Ye, SUN Yifei. Study of model construction of fuel production from waste plastic pyrolysis based on machine learning[J]. Energy Environmental Protection, 2024, 38(5): 127-134. DOI: 10.20078/j.eep.20240704.


03 机器学习在有机固废全链条处置中的应用进展

摘要

有机固废热转化过程会发生一系列复杂的热化学反应,给深入理解其机理、优化转化过程技术参数及实现产物定向调控等带来挑战。基于数据驱动的机器学习建模方法可推动有机固废的智能化和精细化处置。综述了基于机器学习的智能建模方法在有机固废全链条处置中的应用,总结了机器学习对有机固废上游产生量与理化特性、中游热转化过程及产物特性、下游产物利用与效益评估等的预测并对比了不同模型的适用场景及优缺点,以期构建有机固废全链条智能化处置方案,实现集无害化、减量化、资源化、高值化及智能化于一体的有机固废高效处置模式,为实际固废的有效管理提供一定的指导意义。

出版信息:

张子杭, 许丹, 胡艳军, 管文洁, 王树荣. 机器学习在有机固废全链条处置中的应用进展[J]. 能源环境保护, 2023, 37(1): 184-193.DOI:10.20078/j.eep.20230102.
ZHANG Zihang, XU Dan, HU Yanjun, GUAN Wenjie, WANG Shurong. Application progress of machine learning in the whole chain disposal of organic solid waste[J]. Energy Environmental Protection, 2023, 37(1): 184-193.DOI:10.20078/j.eep.20230102.


04 多源有机固废热解特性研究与预测分析

摘要

通过实验方法测定多源有机固废的热化学转化特性通常是耗时且劳力密集的过程,借助机器学习的方法可以挖掘不同原料特性与基本热化学转化特性之间的关联机制,并快速进行预测分析。构建了一个综合数据库,其中包含38种工业有机固废基本特性及热解特性信息。通过描述性统计分析、相关性分析以及主成分分析(PCA),深入探究了数据库的总体规律。进一步采用随机森林(RF)、梯度提升树(GBDT)和极限梯度提升树(XGBoost)算法对有机固废高位热值(HHV)、快速热解产物分布和不同气氛下热失重曲线进行预测,其中对HHV、热解产物分布和热失重曲线预测的R2分别在0.835~0.866、0.701~0.875和0.976~0.980范围内。最后,基于树模型的平均杂质减少(MDI)和SHapley Additive exPlanations(SHAP)方法对建模结果进行可解释性分析,筛选出在模型决策过程中起关键作用的特征,并揭示了原料基本特性与HHV、热解产物分布及热解特性之间的关联,旨在为实际有机固废的智能管理与高效处置提供一定的指导。

出版信息:

张子杭, 邢博, 马中青, 胡艳军, 张志霄, 袁世震, 卢如飞, 陈颖泉, 王树荣. 多源有机固废热解特性研究与预测分析[J]. 能源环境保护, 2024, 38(5): 135-146. DOI: 10.20078/j.eep.20240510.

ZHANG Zihang, XING Bo, MA Zhongqing, HU Yanjun, ZHANG Zhixiao, YUAN Shizhen, LU Rufei, CHEN Yingquan, WANG Shurong. Research and predictive analysis of pyrolysis characteristics of multi-source organic solid wastes[J]. Energy Environmental Protection, 2024, 38(5): 135-146. DOI: 10.20078/j.eep.20240510.


05 废水中鸟粪石回收的机器学习预测和优化

摘要

基于机器学习的方法,探究了从模拟废水中以鸟粪石的形式回收氮和磷的问题。利用极限梯度提升算法(XGBoost)和随机森林(RF)模型对磷回收率和氮回收率进行单目标和多目标预测,明确了7种工艺条件对鸟粪石结晶的影响。XGBoost在单目标(R2=0.91~0.93)和多目标(R2=0.89)的预测方面表现均优于RF。此外,在P初始浓度为10mg/L和1 000 mg/L的情况下,通过实验验证了多目标模型的优化解集,得到鸟粪石回收的最佳工艺条件为N∶P比值为1.2∶1,Mg∶P为1∶1,pH为9.5,反应时间为80min,反应温度为25℃,搅拌速率为240r/min。

出版信息:

佟颖, 蒋绍坚, 康冰艳, 冷立健, 李海龙. 废水中鸟粪石回收的机器学习预测和优化[J]. 能源环境保护, 2023, 37(6): 79-88. DOI:10.20078/j.eep.20231102.
TONG Ying, JIANG Shaojian, KANG Bingyan, LENG Lijian, LI Hailong. Prediction and optimization of struvite recovery from wastewater by machine learning[J]. Energy Environmental Protection, 2023, 37(6): 79-88. DOI:10.20078/j.eep.20231102.

最新通知






往期回顾


2023年第1期


2023年第2期

2023年第3期

2023年第4期
2023年第5
2023年第6

2024年第1

2024年第2
2024年第3


2024年第4期
2024年第5期



期刊简介

《能源环境保护》创刊于1987年,双月刊,ISSN 2097-4183/CN 33-1264/X,是由中国煤炭科工集团有限公司主管、中煤科工集团杭州研究院有限公司主办的环境类学术期刊。主编由中国工程院高翔院士担任。主要刊载与能源环境保护有关的基础科学、技术科学及其交叉学科领域的学术论文。已被瑞典开放存取期刊目录(Directory of Open Access Journal,DOAJ)、美国《化学文摘》(Chemical Abstracts, CA)俄罗斯《文摘杂志》(AJ,VINITI)、美国《乌利希期刊指南》(Ulrichweb)、欧洲学术出版中心(EuroPub)等数据库收录,连续6年入选《煤炭领域高质量科技期刊目录》T2级。在“双碳”目标下,将进一步聚焦学术前沿、荟萃科学发现、追踪最新动态、汇集最佳成果,推进降碳、减污、绿色低碳发展。



联系我们


电话:19558121964(同微信)

邮箱:office@eep1987.com

网址:www.eep1987.com


编辑|邵方嫄

审核|金丽丽

能源环境保护
《能源环境保护》创刊于1987年,双月刊,是由中国煤炭科工集团有限公司主管、中煤科工集团杭州研究院有限公司主办、国内外公开发行的能源环境保护方面的综合性学术期刊。
 最新文章