本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
計算模型可以透過預測替代混合物的特性來幫助降低研究成本。如今，大多數努力都集中在預測汽油樣品組的一些特性。然而，目前還沒有關於能夠對具有在現實煉油廠中測量的多種輸出特性的汽油樣品進行分類的模型的報告。在這項工作中，資訊融合 (IF)、擾動理論 (PT) 和機器學習 (ML) 演算法 (IFPTML) 用於對從煉油廠收集的超過 230,000 個結果的實際生產數據進行建模。 IF 預處理階段將工作資料集與分佈在 26 個資料區塊中的 4 條生產線的 44 個物理化學輸出屬性和 574 個輸入變數進行了組裝，其中包括 14 個不同的流程和工廠中進行的 23 個操作。 PT 計算階段使用 PT 算符量化所有輸入變數中擾動（偏差）的影響。最後，在機器學習分析階段涉及線性判別分析 (LDA) 和人工神經網路 (ANN) 模型訓練。 IFPTML-LDA 模型的 AUROC = 0.936，訓練集和驗證集的整體敏感度 Sn 和特異性 Sp 接近 84-91%。在內部對照實驗中，我們獲得了一個 IFPTML-FT-NIR 模型，其 Sn 和 Sp 相似，接近 86-97%，對於 16 個屬性測量的 FT-NIR 技術的 >25,000 個值；證明演算法對所用實驗技術變化的穩健性。此模型可用於設計對環境影響較小的新替代混合物（生物燃料、垃圾衍生燃料等）。