可解释的集成机器学习方法，结合吸收效应用于微波辅助热解废弃塑料过程中的多输出预测

《Sustainable Energy Technologies and Assessments》：Explainable ensemble machine learning integrating absorber effects for multi-output prediction in microwave-assisted pyrolysis of waste plastics

　　

Ramesh Potnuri | Rangabhashiyam Selvasembian

• •
  用于优化微波辅助塑料热解的机器学习（ML）框架。
• •
  XGBoost在产量预测方面的表现优于RFR、GBR和SVR。
• •
  增加特征数量（从9个增加到26个）显著降低了平均绝对误差（MAE）和均方根误差（RMSE）。
• •
  SHAP分析指出吸收剂、温度、真空度（VM）和流速（FC）是关键影响因素。
• •
  吸收剂（SiC、AC、Fe、石墨）对产品产量有显著影响。