Optimization of hydrothermal liquefaction process through machine learning approach: process conditions and oil yield

Die Optimierung des hydrothermalen Verflüssigungsprozesses (HTL) mittels maschinellem Lernen wird in diesem Artikel untersucht. Die Studie unterstreicht die Bedeutung von Biomasse-Eigenschaften wie Kohlenstoff, Wasserstoff, Stickstoff, Sauerstoff, Feuchtigkeit und Asche für die Bioölausbeute und den höheren Heizwert. Der Einfluss dieser Faktoren wird anhand eines konsolidierten statistischen Trends analysiert, der zeigt, dass ein höherer Kohlenstoff- und Wasserstoffgehalt den Ertrag und den HHV positiv beeinflusst, während Sauerstoff, Feuchtigkeit und Aschegehalt negative Auswirkungen haben. Der Artikel stellt ein neuartiges Decision Support System (DSS) vor, das einen Supervised Multivariate Random Forest (SMVRF) Klassifizierer und eine gewichtete Rangaggregation (WRA) zur Optimierung von HTL-Prozessparametern einsetzt. Dieses DSS, das unter Verwendung von Python entwickelt wurde, bietet eine genauere und effizientere Methode zur Vorhersage der optimalen Bioölausbeute und des HHV im Vergleich zu herkömmlichen Ansätzen. Die Studie betont die Bedeutung der Berücksichtigung rangierter Parameter und nicht aller Variablen in multiparameterabhängigen Prozessen wie HTL, was den DSS-Algorithmus zu einer herausragenden Innovation auf diesem Gebiet macht.