对从牛粪中获得的生物炭中的HHV（人类疱疹病毒）进行评估，并利用机器学习技术预测HHV的含量

《BioEnergy Research》：Evaluation of HHV and Ash of Biochars Obtained from cow dung and Prediction of HHV using Machine Learning

　　

摘要

预测生物炭的高热值（HHV）对于优化其作为可再生能源的应用至关重要。通过响应面方法（Response Surface Methodology, RSM）设计，共制备了13个生物炭样品，以确保实验的广泛覆盖。本文利用211个炭数据，借助多层感知器人工神经网络（MLP-ANN）开发出了用于预测HHV的稳健模型。机器学习与RSM的结合在实验设计及获得高精度结果方面都具有重要意义。输入数据集来源于元素分析、全分析以及两者的结合。MLP-ANN模型通过监督学习方法进行训练和验证，采用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）作为评估模型准确性的关键指标。在所有生成的MLP-ANN模型中，基于元素分析与全分析相结合的模型在相关系数（R2：0.9785）、均方根误差（RMSE：0.5120）和平均绝对百分比误差（MAPE：0.0385）方面表现最佳。这些结果表明MLP-ANN能够有效捕捉生物炭成分与能量含量之间的复杂非线性关系，并突显了整合元素分析与全分析的附加价值。该研究为快速估算生物炭的HHV提供了可靠工具，有助于推动生物质能源应用的发展。

图形摘要

此图片的替代文本可能是由AI生成的。

预测生物炭的高热值（HHV）对于优化其作为可再生能源的应用至关重要。通过响应面方法（Response Surface Methodology, RSM）设计，共制备了13个生物炭样品，以确保实验的广泛覆盖。本文利用211个炭数据，借助多层感知器人工神经网络（MLP-ANN）开发出了用于预测HHV的稳健模型。机器学习与RSM的结合在实验设计及获得高精度结果方面都具有重要意义。输入数据集来源于元素分析、全分析以及两者的结合。MLP-ANN模型通过监督学习方法进行训练和验证，采用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）作为评估模型准确性的关键指标。在所有生成的MLP-ANN模型中，基于元素分析与全分析相结合的模型在相关系数（R2：0.9785）、均方根误差（RMSE：0.5120）和平均绝对百分比误差（MAPE：0.0385）方面表现最佳。这些结果表明MLP-ANN能够有效捕捉生物炭成分与能量含量之间的复杂非线性关系，并突显了整合元素分析与全分析的附加价值。该研究为快速估算生物炭的HHV提供了可靠工具，有助于推动生物质能源应用的发展。

图形摘要

此图片的替代文本可能是由AI生成的。