پیش‌بینی خروجی های تکنولوژی گازی‌سازی منابع زیست توده با بهره‌گیری از یادگیری ماشین

با افزایش روز‌افزون تقاضا برای منابع انرژی تجدیدپذیر، بهینه‌سازی فناوری‌های موجود در این حوزه بدل به امری اجتناب‌ناپذیر شده است. از جمله منابع تجدیدپذیر که در تحقیقات توجهات بسیاری را به خود جلب کرده است می‌توان به منابع زیست‌توده اشاره داشت. در این پژوهش تلاش شده است که یکی از فناوری‌های استحصال انرژی از منابع زیست‌توده - گازی‌سازی - مورد بررسی قرار گیرد و به‌منظور بهینه‌سازی و کنترل هر چه بیشتر این فناوری، پس از تشکیل پایگاه داده مستخرج از بررسی جامع مقالات مرتبط، خروجی‌های آن با بهره‌گیری از چندین تکنیک در حوزه هوش مصنوعی و یادگیری ماشین پیش‌بینی شده‌اند. روش‌های هوش مصنوعی آماری استفاده شده در این پژوهش پس از بررسی مقالات مشابه انتخاب شدند و عبارت‌بودند از رگرسیون خطی ، رگرسیون تقویت‌کننده گرادیان ، رگرسیون درخت تصمیم‌گیری ، رگرسیون جنگل رندوم ، رگرسیون بردار ساپورت  و رگرسیون کرنل ریج . در نهایت این پژوهش منتج به چندین مدل پیش‌‌بینی بر پایه هوش مصنوعی بادقت‌های پیش‌بینی مختلف شد که با پارامترهای آماری مربوطه، دقت پیش‌بینی مدل‌های مختلف مورد ارزیابی قرار گرفت. در میان تکنیک‌های یادگیری ماشین مذکور و با درنظرگرفتن پارامترهای مختلف ارزیابی دقت مدل‌ها که از جمله مهم‌ترین آن‌ها می‌توان به مربع خطا درداده های تست اشاره کرد، روش‌های رگرسیون خطی، رگرسیون تقویت‌کننده گرادیان و رگرسیون جنگل تصادفی، که میزان مربع خطا در هر یک از مدل‌ها به ترتیب برابر 0.909، 0.829 و 0.818 بود، عملکرد بهتری از خود نسبت به سایر فناوری‌های پیشنهاد شده نشان دادند.

predicting biomass gasification outputs with the aid of machine-learning

optimizing existing technologies in this field has become inevitable with the increasing demand for renewable energy sources. among the renewable resources that have attracted much attention in research, biomass resources can be mentioned. in this study, an attempt has been made to examine one of the technologies for extracting energy from biomass resources - gasification - and to optimize and control this technology as much as possible, after forming a database extracted from a comprehensive review of related articles, its outputs have been predicted using several techniques in the field of artificial intelligence and machine learning. the statistical artificial intelligence methods used in this study were selected after reviewing similar articles. they included linear regression, gradient boosting regression, decision tree regression, random forest regression, support vector regression, and kernel ridge regression. finally, this research resulted in several ai-based forecasting models with different forecast accuracies, which were evaluated with the relevant statistical parameters. among the aforementioned machine learning techniques and considering the various parameters for evaluating the accuracy of the models, the most important of which is the squared error in the test data, the linear regression, gradient boosting regression, and random forest regression methods, whose squared error rates in each of the models were 0.909, 0.829, and 0.818, respectively, showed better performance than other proposed technologies.