加西亚·尼托，P.J。;加西亚·冈萨洛（García-Gonzalo），E。;Sánchez Lasheras，F。;帕雷德斯·桑切斯，J.P。;里斯戈·费尔南德斯，P。 利用机器学习技术预测生物质的高热值。 （英语） Zbl 1419.62528号 J.计算。申请。数学。 357284-301（2019）. 摘要：生物质的激流化可以解释为在缺氧的情况下，温度通常在200至300（{deg}\mathrm{C}）之间的温和热解。生物质的激流化提高了其水分含量和热值等特性。本研究的目的是获得生物质燃烧过程中高热值（HHV）的预测模型。本研究引入了一种基于支持向量机（SVM）和模拟退火（SA）优化技术的混合算法，用于根据实验确定的操作输入参数预测生物质的热值（HHV）。此外，为了进行比较，将多元自适应回归样条（MARS）方法和随机森林（RF）技术拟合到实验数据中。本研究的结果有两个方面。首先，通过模型给出了每个物理化学变量对较高热值（HHV）的重要性。其次，得到了几种预测焦化生物质热值的模型。事实上，当这种基于SVM-SA和RBF核函数的混合模型应用于具有最佳超参数的实验数据集时，对于焦化生物质的较高热值估计，确定系数达到0.90。此外，使用基于MARS SA的方法和基于RF SA的技术所获得的结果比使用基于RBF SVM SA的模型所获得的结果差。实验数据与模型的一致性证明了后者的良好性能。 引用于1文件 MSC公司： 第60页 统计学在工程和工业中的应用；控制图 68T05型 人工智能中的学习和自适应系统 80A32型 化学反应流 90 C59 数学规划中的近似方法和启发式 关键词：支持向量机;多元自适应回归样条（MARS）;随机森林（RF）;模拟退火;高热值预测;回归分析 软件：随机森林;基础知识;应用的预测建模;优化;地球;伦敦银行支持向量机 PDF格式BibTeX公司 XML格式引用 \textit{P.J.García Nieto}等人，J.Compute。申请。数学。357、284--301（2019年；Zbl 1419.62528） 全文： 内政部 参考文献： [1] 马丁内斯·德·阿列格里亚·曼西西多尔，I。；Díaz de Basurto Uraga，P。；马丁内斯·德·阿列格里亚·曼西西多尔，I。；Ruiz de Arbulo López，P.，欧盟可再生能源和能效政策审查：西班牙视角，更新。苏斯特。能源评论，13，1，100-114，（2009） [2] 阿巴斯，T。；Abbasi，S.A.，《生物质能及其生产和利用对环境的影响》，《可再生能源》。苏斯特。《能源评论》，第14、3、919-937页，（2010年） [3] Kraxner，F。；Nordström，E.-m。；Havlík，P。；Gusti，M。；Mosnier，A。；弗兰克·S。；瓦利纳，H。；Fritza，S。；Fussa，S。；Kindermanna，G。；麦卡卢玛，I。；Khabarova，N。；Böttchera，H。；Seea，L。；Aokia，K。；施密德，E。；马塞格，L。；Obersteiner，M.，《全球生物能源情景——未来森林发展、土地利用影响和权衡》，生物量生物能源，57，86-96，（2013） [4] Shankar Tumuluru，J。；Sokhansanj，S。；赫斯，J.R。；赖特，C.T。；Boardman，R.D.，《综述：生物质燃烧过程和产品特性在能源应用中的综述》，印第安纳州生物技术。，7, 5, 384-401, (2011) [5] 范德斯特尔特，M.J.C。；Gerhauser，H。；基尔，J.H.A。；Ptasinski，K.J.，《生物燃料生产中的生物质热解升级：综述》，《生物质-生物能源》，35，9，3748-3762，（2011） [6] 巴赫，Q.-V。；斯克莱伯格。，通过湿式焙烧升级生物质燃料：与干式焙烧的回顾和比较，更新。苏斯特。能源评论，54，665-677，（2016） [7] 普林斯，M.J。；Ptasinski，K.J。；Janssen，F.J.J.G.，《木材的Torrepation：第1部分减重动力学》，J.Ana。申请。吡咯。，77, 1, 28-34, (2006) [8] Chew，J.J。；Doshi，V.，《生物质预处理的最新进展——干燥原理和技术》，更新。苏斯特。《能源评论》，第15、8、4212-4222页，（2011年） [9] 贝茨，R.B。；Ghoniem，A.F.，《生物质热解：挥发性和固体产物演化动力学建模》，《生物资源》。技术。，124, 460-469, (2012) [10] Basu，P.，《生物质气化、热解和激化：实用设计和理论》，（2013），学术出版社：纽约学术出版社 [11] Nhuchhen，D.R。；巴苏，P。；Acharya，B.，《生物质燃烧的综合评述》，《国际期刊更新》。Ener公司。生物燃料。，2014, 1-56, (2014) [12] Chen，W.H。；彭杰。；Bi，X.T.，《生物质燃烧、致密化和应用的最新综述》，更新。苏斯特。能源评论，44，847-866，（2015） [13] 马塔利，S。；北卡罗来纳州拉赫曼。；Idris，S.S。；Yaacob，N。；Alias，A.B.，《通过烘烤提高木质纤维素生物质固体燃料性能》，《Procedia Eng.》，148671-678，（2016） [14] Motghare，K.A。；Rathod，A.P。；Wasewar，K.L。；Labhsetwar，N.K.，能源应用中不同废物生物质的比较研究，废物管理。，47, 40-45, (2016) [15] 刘，X。；Wang，W。；高，X。；周，Y。；Shen，R.，热预处理对城市生物质废弃物理化性质的影响，废弃物管理。，3249-255，（2012年） [16] Vapnik，V.，《统计学习理论》（1998），Wiley-Interscience:Wiley-Interscience纽约·Zbl 0935.62007号 [17] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，J.，《支持向量机和其他基于核的学习方法简介》，（2000），剑桥大学出版社：剑桥大学出版社，纽约 [18] Schölkopf，B。；Smola，A.J。；威廉姆森，R。；Bartlett，P.，新支持向量算法，神经计算。，12, 5, 1207-1245, (2000) [19] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2003），Springer-Verlag:Springer-Verlag New York [20] Hansen，T。；Wang，C.J.，基于支持向量的电池充电状态估计器，J.Power Sources，141，351-358，（2005） [21] 李，X。；罗德·D。；Zhang，Y。；Xie，Y.，使用支持向量机模型预测机动车碰撞，事故分析。上一页。，40, 1611-1618, (2008) [22] 斯坦瓦特，I。；Christmann，A.，支持向量机，（2008），Springer:Springer New York·Zbl 1203.68171号 [23] van Laarhoven，P.J.M。；Aarts，E.H.L.，《模拟退火：理论与应用》（1987），Kluwer学术出版社：Kluwer-学术出版社Dordrecht·Zbl 0643.65028号 [24] Cercignani，C.，《玻尔兹曼方程及其应用》（1988年），施普林格-弗拉格：柏林施普林格·Zbl 0646.76001号 [25] Chong，E.K.P。；Zak，S.H.，《优化导论》（2013），威利出版社：威利纽约·Zbl 1266.90001号 [26] Tsuzuki，M。；de Castro Martins，T.，《模拟退火：策略、潜在用途和优势》（2014），新星科学出版社：新星科学出版公司纽约 [27] Maxwell，B.，高级模拟退火，（2015），克兰瑞国际：克兰瑞纽约 [28] Friedman，J.H.，多元自适应回归样条曲线，《统计年鉴》。，19, 1-141, (1991) ·Zbl 0765.62064号 [29] Sekulic，S.S。；科瓦尔斯基，B.R.，《火星：教程》，J.Chemom。，6, 199-216, (1992) [30] 弗里德曼，J.H。；Roosen，C.B.，《多元自适应回归样条的介绍》，《统计方法医学研究》，4197-217，（1995） [31] Zhang，W.G。；Goh，A.T.C.，岩土工程系统分析的多元自适应回归样条，计算。岩土工程。，48, 82-95, (2013) [32] 库尔卡尼，S。；Harman，G.，《统计学习理论入门》（2011年），威利出版社：威利纽约·Zbl 1231.68015号 [33] 库恩，M。；Johnson，K.，应用预测建模，（2013），施普林格：施普林格柏林·兹比尔1306.62014 [34] Sheppard，C.，基于树的机器学习算法：决策树、随机森林和Boosting，（2017），CreateSpace独立发布平台：CreateSpace自主发布平台，美国德克萨斯州奥斯汀 [35] 埃伯哈特共和国。；Shi，Y。；Kennedy，J.，《Swarm Intelligence》（2001），摩根考夫曼：摩根考夫曼·旧金山，美国 [36] Clerc，M.，粒子群优化，（2006年），威利ISTE：威利ISTE伦敦·Zbl 1130.90059号 [37] Olsson，A.E.，《粒子群优化：理论、技术和应用》，（2011年），Nova Science Publishers：Nova科学出版社，纽约 [38] 多里戈，M。；Stützle，T.，Ant Colony Optimization，（2004），Bradford出版社，麻省理工学院出版社·邮编1092.90066 [39] 卡拉博加，D。；Basturk，B.，《数值函数优化的一种强大而有效的算法：人工蜂群（abc）算法》，J.Global Optim。，39, 3, 459-471, (2007) ·Zbl 1149.90186号 [40] 卡拉博加，D。；Gorkemli，B.，一种快速人工蜂群（qabc）算法及其在优化问题上的性能，应用。软计算。，23, 227-238, (2014) [41] 厄兹甘，E。；Saruhan，H.，通过模拟退火对沥青混凝土进行建模，高级工程师软件。，41, 4, 680-683, (2010) ·Zbl 1183.90291号 [42] El-Naggar，K.M。；Al Rashidi，M.R。；Al Hajri，M.F。；Al-Othman，A.K.，光伏参数识别的模拟退火算法，Sol。能源，86，1，266-274，（2012） [43] Pai，P.-F。；Hong，W.C.，《电力负荷预测中采用模拟退火算法的支持向量机》，《能源转化》。管理。，46, 2669-2688, (2005) [44] Romary，T。；德福凯，C。；Malherbe，L.，《空气质量测量调查的抽样设计：优化方法》，Atmos。环境。，45, 21, 3613-3620, (2011) [45] 王，X。；孙，Y。；宋，L。；Mei，C.，基于生态环境需水量的模型，用于使用混合遗传模拟退火算法优化水资源。第二部分。模型应用和结果，J.Environ。管理。，90, 8, 2612-2619, (2009) [46] Breiman，L.，兰登森林，马赫。学习。，45, 1, 5-32, (2001) ·Zbl 1007.68152号 [47] 埃罗尔，M。；Haykiri-Acma，H。；Küçükbayrak，S.，根据其近似分析数据估算生物量的热值，更新。能源，35，1，170-173，（2010） [48] Vargas Moreno，J.M。；Callejón-Ferre，A.J。；佩雷斯·阿隆索，J。；Velázquez-Martí，B.，《预测生物质材料热值的数学模型综述》，更新。苏斯特。《能源评论》，第16、5、3065-3083页，（2012年） [49] Demirbas，A.，关于木屑在碱性甘油中热降解产物的线性方程，Energ.Convers。管理。，45, 983-994, (2004) [50] 陈，Q。；周，J。；刘，B。；梅，Q。；罗，Z.，焦化预处理对生物质气化技术的影响，中国科学院。公牛。，56, 14, 1449-1456, (2011) [51] Phanphanich，M。；Mani，S.，《干燥对森林生物质可磨性和燃料特性的影响》，生物资源技术。，102, 2, 1246-1253, (2011) [52] 罗塞特，P。；阿吉亚尔，C。；北卡罗来纳州拉贝。；Commandré，J.M.，《通过烘烤提高竹子的可燃性》，生物资源技术。，102, 17, 8225-8231, (2011) [53] Lu，K.M。；Lee，W.J。；Chen，W.H。；Liu，S.H。；Lin，T.C.，油棕纤维和桉树在氮气和空气气氛中的高温和低温碳化，生物资源技术。，123, 98-105, (2012) [54] 彭建华。；Bi，H.T。；Lim，C.J。；Sokhansanj，S。；密度，研究。；硬度、密度、硬度和煅烧木球吸湿性的研究、能源、燃料。，27, 2, 967-974, (2013) [55] Callejón-Ferre，A.J。；Velázquez-Martí，B。；洛佩斯·马丁内斯，J.A。；Manzano-Agügliaro，F.，《温室作物残留物：能量潜力及其高热值预测模型》，Renew。苏斯特。《能源评论》，第15期，948-955页，（2011年） [56] Saidur，R。；阿卜杜拉齐兹，E.A。；Demirbas，A。；侯赛因，M.S。；Mekhilef，S.，《生物质作为锅炉燃料的评论》，更新。苏斯特。《能源评论》，第15、5、2262-2289页，（2011年） [57] Yin，C.-Y.，根据近似分析和最终分析预测生物质的高热值，Fuel，90，1128-1132，（2011） [58] 北卡罗来纳州Shrestla。；Shukla，S.，利用亚热带环境中的水文气候变量进行基于支持向量机的蒸散建模，Agricult。森林气象。，200, 172-184, (2015) [59] Chen，J.-L。；Li，G.-S。；Wu，S.-J.，使用日照时数评估支持向量机估计每日太阳辐射的潜力，《能量转换》。管理。，75, 311-318, (2013) [60] Nikoo，M.R。；Mahjouri，N.，《使用概率支持向量机和自组织地图的水质分区》，《水资源》。管理。，27, 7, 2577-2594, (2013) [61] Ziani，R。；Felkaoui，A。；Zegadi，R.，《使用带有二进制粒子群优化和正则化fisher准则的多类支持向量机进行轴承故障诊断》，J.Intell。制造，28，405-417，（2017） [62] 曾杰。；乔，W.，使用支持向量机进行短期太阳能发电量预测，更新。能源，52，118-127，（2013） [63] Ortiz-García，E.G。；Salcedo-Sanz，S。；Pérez-Bellido，上午。；Portilla-Figueras，J.A。；Prieto，L.，使用支持向量回归算法预测小时（O_3）浓度，Atmos。环境。，44, 35, 4481-4488, (2010) [64] M.帕尔。；Goel，A.，用支持向量机估计梯形河道的流量和末端深度，水资源。管理。，21, 10, 1763-1780, (2007) [65] 塞拉利昂共和国。；Pietrini，M。；Giovannelli，A.，使用支持向量回归预测光伏发电量，神经计算。申请。，26, 1955-1962, (2015) [66] de Cos Juez，F.J。；García Nieto，P.J。；马丁内斯·托雷斯，J。；Taboada Castro，J.，通过支持向量机模型分析航空航天工业中金属部件的交付周期，数学。计算。型号。，52, 1177-1184, (2010) [67] 肖-泰勒，J。；Cristianini，N.，模式分析的核方法，（2004），剑桥大学出版社：剑桥大学出版社，纽约 [68] 周，S.-M。；Lee，S.-M。；Shao，Y.E。；Chen，I.-F.，使用人工神经网络和多元自适应回归样条挖掘乳腺癌模式，专家系统。申请。，27, 133-142, (2004) [69] 徐庆生。；Daszykowski，M。；Walczak，B。；Daeyaert，F。；de Jonge，M.R。；Heeres，J。；科曼斯，L.M.H。；Lewi，P.J。；Vinkers，H.M。；Janssen，P.A.，《艾滋病毒逆转录酶抑制剂的多元适应性回归脾脏研究》，Chemmeter。智力。实验室，72，27-34，（2004） [70] de Cos Jues，F.J。；Sánchez Lasheras，F。；García Nieto，P.J。；苏亚雷斯·苏亚雷斯，M.A.，一种新的数据挖掘方法，用于建模饮食和生活方式对绝经后妇女骨密度值的影响，国际计算杂志。数学。，86, 1878-1887, (2009) ·Zbl 1176.62113号 [71] 阿尔瓦雷斯·安顿，J.C。；García Nieto，P.J。；de Cos Juez，F.J。；Sánchez Lasheras，F。；Blanco Viejo，C。；RoqueñíGutiérrez，N.，使用火星技术的电池状态变化估计器，IEEE Trans。电力电子。，28, 8, 3798-3805, (2013) [72] Chen，M.-Y。；Cao，M.-T.，使用进化多元自适应回归样条精确预测建筑能源性能，应用。软计算。，178-188年22日，（2014年） [73] 张伟。；吴，A.T.C。；Zhang，Y。；陈，Y。；Xiao，Y.，基于容量能量概念和多元自适应回归样条的土壤液化评估，工程地质。，188, 29-37, (2015) [74] Kisi，O.，使用最小二乘支持向量机、多元自适应回归样条和m5模型树的泛蒸发建模，J.Hydrol。，528, 312-320, (2015) [75] 柯克帕特里克，S。；盖拉特，C.D。；Vecchi，M.P.，《模拟退火优化》，《科学》，220，4598，671-680，（1983）·Zbl 1225.90162号 [76] Wasserman，L.，《所有统计学：统计推断简明教程》（2003），Springer:Springer New York [77] 弗里德曼，D。；Pisani，R。；Purves，R.，Statistics，W.W.，（2007），诺顿公司：纽约诺顿公司·Zbl 1353.62003年 [78] 皮卡德，R。；Cook，D.，回归模型的交叉验证，J.Amer。统计师。协会，79，387，575-583，（1984）·Zbl 0547.62047号 [79] 埃夫隆，B。；Tibshirani，R.，《交叉验证的改进：.632+引导法》，J.Amer。统计师。协会，92，438，548-560，（1997）·Zbl 0887.62044号 [80] Venkataraman，P.，《应用MATLAB编程优化》（2009），威利出版社：威利纽约 [81] Chong，E.K.P。；Zak，S.H.，《优化导论》（2013），威利出版社：威利纽约·Zbl 1266.90001号 [82] Chang，C.-C。；Lin，C.-J.，Libsvm:支持向量机库，ACM Trans。国际系统。技术。，2, 1-27, (2011) [83] Milborrow，S.，《地球：多元自适应回归样条模型》，R软件包，版本3，2-7，（2014），R统计计算基金会：R统计计算基础，奥地利维也纳 [84] Husmann，K。；Lange，A。；Spiegel，E.，《R包优化：模拟退火的灵活全局优化》（The R Package Optimization:Flexible Global Optimization with Simulated Annealing），（2017年） [85] Liaw，A。；Wiener，M.，《随机森林分类与回归》，R News，2，3，18-22，（2002），http://CRANR-project.org/doc/Rnews/ [86] Dahlquist，E.，《生物质作为能源：资源、系统和应用》，（2013），CRC出版社：CRC出版社Boca Ratón（佛罗里达州） [87] 王，S。；Luo，Z.，生物质热解，（2016），De Gruyter有限公司：波兰华沙De Gruetter有限公司 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。