Аналіз алгоритмів машинного навчання для прогнозування виходу біогазу
DOI:
https://doi.org/10.31548/energiya3(67).2023.100Анотація
Нині ефективне управління виробництвом біогазу залишається складною задачею.
Мета дослідження – провести аналіз алгоритмів машинного навчання для прогнозування виходу біогазу залежно від характеристики виробництва біогазу.
Нині відсутній необхідний набір даних, аналізуючи які можна отримати показники для оптимізації виробництва біогазу в нашій установці. У той же час випробування різноманітних алгоритмів оптимізації та прийняття рішення щодо найкращого займає, як показує досвід, немало часу.
Розглянуто застосування машинних алгоритмів для прогнозування виробництва біогазу шляхом використання існуючих методів прогнозування. За умови, що системи управління типовими виробництвами біогазу укомплектовані необхідними сприймаючими елементами, все одно залишається задача, пов’язана з обробкою та аналізом даних для прийняття найкращого рішення щодо забезпечення відповідних технологічних вимог. Причиною цьому є великий обсяг даних та складність взаємодії процесів, що є складовими виробництва. У такому контексті, машинне навчання може бути корисним інструментом для оптимізації виробництва біогазу.
Ключові слова: машинне навчання, вихід біогазу, автоматизоване керування,алгоритми керування, математична модель
Посилання
Kaggle.com. JM Biogas production experiment analysis jumpstart. Available at: https://www.kaggle.com/code/ivandaudt/jm-biogas-production-experiment-analysis-jumpstart/notebook.
Amazon SageMaker Autopilot. Available at: [https://aws.amazon.com/sagemaker/autopilot/?nc1=h_ls&sagemaker-data-wrangler-whats-new.sort-by=item.additionalFields.postDateTime&sagemaker-data-wrangler-whats-new.sort-order=desc].
Essam Al Daoud. Comparison between XGBoost, LightGBM and CatBoost Using a Home Credit Dataseю Available at: [https://publications.waset.org/10009954/comparison-between-xgboost-lightgbm-and-catboost-using-a-home-credit-dataset].
Muhammad Waseem Ahmad, Jonathan Reynolds, Yacine Rezgui. Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees. Available at: [https://www.sciencedirect.com/science/article/pii/S0959652618325551].
Pierre Geurts, Damien Ernst, Louis Wehenkel. Extremely randomized trees. Available at: [https://link.springer.com/article/10.1007/s10994-006-6226-1].
J. A. Nelder, R. W. M. Wedderburn. Generalized Linear Models. Available at: [https://rss.onlinelibrary.wiley.com/doi/abs/10.2307/2344614].
Rita Yi Man Li, Herru Ching Yu Li, Beiqi Tang, WaiCheung Au. Fast AI classification for analyzing construction accidents claims. Available at[https://dl.acm.org/doi/abs/10.1145/3407703.3407705].
Sagar Imambi, Kolla Bhanu Prakash, G. R. Kanagachidambaresan. PyTorch. Available at: [https://link.springer.com/chapter/10.1007/978-3-030-57077-4_10].
Weijie Wang, Yanmin Lu . Analysis of the Mean Absolute Error (MAE) and the Root Mean Square Error (RMSE) in Assessing Rounding Model. Available at:[https://iopscience.iop.org/article/10.1088/1757-899X/324/1/012049/meta].
Kalyan Das, Jiming Jiang, J. N. K. Rao. Mean squared error of empirical predictor. Available at: [https://projecteuclid.org/journals/annals-of-statistics/volume-32/issue-2/Mean-squared-error-of-empirical-predictor/10.1214/009053604000000201.full].
Alon Brutzkus, Ran Gilad-Bachrach, Oren Elisha. Low Latency Privacy Preserving Inference. Available at [http://proceedings.mlr.press/v97/brutzkus19a].
Rich Caruana, Alexandru Niculescu-Mizil, Geoff Crew, Alex Ksikes. Ensemble selection from libraries of models. Available at: [https://dl.acm.org/doi/abs/10.1145/1015330.1015432].
Robert E. Weiss, Carlos G. Lazaro. Residual plots for repeated measures. Available at: [https://doi.org/10.1002/sim.4780110110].
Zhila Esna Ashari, Nairanjana Dasgupta, Kelly A Brayton, Shira L Broschat. An optimal set of features for predicting type IV secretion system effector proteins for a subset of species based on a multi-level feature selection approach. Available at: [http://dx.doi.org/10.1371/journal.pone.0197041].
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
