استفاده از يادگيري ماشين براي پيش‌بيني توليد و كيفيت روغن زيستي از زيست‌توده به روش پيروليز

كاهش ذخيره منابع انرژي‌‌هاي فسيلي يك زنگ خطر براي بشر است. از طرف ديگر، مصرف روبه‌رشد سوخت‌هاي فسيلي مشكل‌هاي زيست‌محيطي بسياري مانند گرمايش زمين را با خود به همراه داشته است. اين موارد جايگزيني انرژي‌هاي تجديدپذير را اجتناب‌ناپذير ساخته است. در ميان انواع انرژي‌هاي تجديدپذير زيست‌توده يكي از منابع قابل‌اطمينان و پايدار است. تبديل‌هاي حرارتي - شيميايي زيست‌توده به‌عنوان يك روش اميدواركننده جهت تبديل زيست‌توده خام به سوخت‌ در حالت‌هاي مايع (روغن زيستي)، جامد (كربن زيستي) و گاز (گاز زيستي) در نظر گرفته شده است. پيروليز به‌عنوان يكي از مهم‌ترين تبديل‌هاي حرارتي - شيميايي براي توليد مؤثر روغن زيستي موردتوجه گسترده قرار گرفته است. بااين‌حال، باتوجه‌به پيچيدگي و نياز به تجهيزات پيشرفته اين فرايندها، اندازه‌گيري مقدار محصول‌هاي توليد شده و كيفيت آنها به دليل زمان و هزينه‌بربودن بسيار چالش‌برانگيز است؛ بنابراين مدل‌سازي به‌عنوان يك شيوه مؤثر براي به حداكثر رساندن عملكرد و بهره‌وري پيروليز موردتوجه گسترده قرار گرفته است. در ميان روش‌هاي مختلف مدل‌سازي، يادگيري ماشين در سال‌هاي اخير بخصوص براي بهينه‌سازي فرايند پيروليز پيش‌بيني بازده، پايش بلادرنگ و كنترل فرايند توجه زيادي را به خود جلب كرده است. براين‌اساس، علاوه بر روش‌هاي پايه همچون شبكه‌هاي عصبي مصنوعي (يادگيري همبستگي‌هاي غيرخطي بين مقادير ورودي و خروجي)، مدل‌هاي هم آميخته يادگيري ماشين كه از مدل‌هاي رايج براي مدل‌سازي و بهينه‌سازي مسائل پيچيده بسيار بهتر عمل مي‌كنند موردتوجه خاص قرار گرفته‌اند. اين مطالعه به طور جامع به تحقيق‌هاي صورت‌گرفته در مورد كاربردهاي يادگيري ماشين در مدل‌سازي فرايند پيروليز و چشم‌انداز پيشروي اين فناوري مي‌پردازد. اين مدل‌هاي ماشين يادگيري براي پيش‌بيني توليد روغن زيستي ضريب تعيين بين 0/26 در ضعيف‌ترين حالت و 0/99 را در بهترين حالت ارائه داده‌اند. اين مدل‌ها مقادير بين 0/6 و 0/93 را براي پيش‌بيني ارتقاي كيفيت روغن زيستي ارائه نموده‌اند.