view in publisher's site
- خانه
- لیست مقالات
- چکیده
Machine learning technology in biodiesel research: A review
Highlights•The use of machine learning technology in biodiesel research is thoroughly reviewed.•The artificial neural network approach is the most popular machine learning tool in this field.•The main goal of using machine learning technology has been to model biodiesel systems.•The pros and cons of the use of machine learning methods in biodiesel research are outlined.•Machine learning technology has the potential to monitor/control biodiesel systems in real-time.AbstractBiodiesel has the potential to significantly contribute to making transportation fuels more sustainable. Due to the complexity and nonlinearity of processes for biodiesel production and use, fast and accurate modeling tools are required for their design, optimization, monitoring, and control. Data-driven machine learning (ML) techniques have demonstrated superior predictive capability compared to conventional methods for modeling such highly complex processes. Among the available ML techniques, the artificial neural network (ANN) technology is the most widely used approach in biodiesel research. The ANN approach is a computational learning method that mimics the human brain's neurological processing ability to map input-output relationships of ill-defined systems. Given its high generalization capacity, ANN has gained popularity in dealing with complex nonlinear real-world engineering and scientific problems. This paper is devoted to thoroughly reviewing and critically discussing various ML technology applications, with a particular focus on ANN, to solve function approximation, optimization, monitoring, and control problems in biodiesel research. Moreover, the advantages and disadvantages of using ML technology in biodiesel research are highlighted to direct future R&D efforts in this domain. ML technology has generally been used in biodiesel research for modeling (trans)esterification processes, physico-chemical characteristics of biodiesel, and biodiesel-fueled internal combustion engines. The primary purpose of introducing ML technology to the biodiesel industry has been to monitor and control biodiesel systems in real-time; however, these issues have rarely been explored in the literature. Therefore, future studies appear to be directed towards the use of ML techniques for real-time process monitoring and control of biodiesel systems to enhance production efficiency, economic viability, and environmental sustainability.Graphical abstractDownload : Download high-res image (190KB)Download : Download full-size image
فن‌آوری یادگیری ماشینی در تحقیق بیودیزل: یک بررسی
نکات برجسته * استفاده از تکنولوژی یادگیری ماشین در تحقیق بیودیزل به طور کامل بررسی شده‌است.
* رویکرد شبکه عصبی مصنوعی محبوب‌ترین ابزار یادگیری ماشین در این زمینه است.
* هدف اصلی استفاده از تکنولوژی یادگیری ماشین، مدل‌سازی سیستم‌های بیودیزل بوده‌است.
مزایا و معایب استفاده از روش‌های یادگیری ماشین در تحقیقات بیودیزل مشخص شده‌است.
* فن‌آوری یادگیری ماشینی دارای پتانسیل نظارت / کنترل سیستم‌های بیودیزل در زمان واقعی است. بیودیزل دارای این پتانسیل است که به طور قابل‌توجهی به پایداری بیشتر سوخت‌های حمل و نقل کمک کند.
با توجه به پیچیدگی و غیرخطی بودن فرآیندها برای تولید و استفاده از بیودیزل، ابزارهای مدل‌سازی سریع و دقیق برای طراحی، بهینه‌سازی، نظارت و کنترل آن‌ها مورد نیاز است.
تکنیک‌های یادگیری ماشین برگرفته از داده (ML)قابلیت پیش‌بینی بالاتری را در مقایسه با روش‌های مرسوم برای مدل‌سازی چنین فرآیندهای بسیار پیچیده نشان داده‌اند.
در میان تکنیک‌های ML موجود، تکنولوژی شبکه عصبی مصنوعی (ANN)به طور گسترده‌ای مورد استفاده در تحقیقات بیودیزل است.
رویکرد ANN یک روش یادگیری محاسباتی است که توانایی پردازش عصبی مغز انسان برای نگاشت روابط ورودی - خروجی سیستم‌های بد تعریف را تقلید می‌کند.
با توجه به ظرفیت تعمیم بالا، ANN محبوبیت خود را در برخورد با مسایل پیچیده مهندسی و علمی دنیای واقعی غیرخطی به دست آورده‌است.
این مقاله به بررسی کامل و بحث انتقادی کاربردهای مختلف تکنولوژی ML، با تمرکز خاص بر ANN، برای حل مشکلات تقریب تابع، بهینه‌سازی، نظارت و کنترل در تحقیق بیودیزل اختصاص دارد.
علاوه بر این، مزایا و معایب استفاده از تکنولوژی ML در تحقیقات بیودیزل برای هدایت تلاش‌های R. D آینده در این دامنه برجسته شده‌است.
تکنولوژی ML به طور کلی در تحقیقات بیودیزل برای مدل‌سازی فرآیندهای استری سازی (ترانس)، ویژگی‌های فیزیکی - شیمیایی بیودیزل و موتورهای احتراق داخلی سوخت بیودیزل استفاده شده‌است.
هدف اولیه از معرفی فن‌آوری ML به صنعت بیودیزل نظارت و کنترل سیستم‌های بیودیزل در زمان واقعی بوده‌است؛ با این حال، این مسائل به ندرت در مقالات مورد بررسی قرار گرفته‌است.
بنابراین، به نظر می‌رسد که مطالعات آینده به سمت استفاده از تکنیک‌های ML برای نظارت بر فرآیند واقعی و کنترل سیستم‌های بیودیزل به منظور افزایش بهره‌وری تولید، حیات اقتصادی، و پایداری محیطی هدایت می‌شود.
ترجمه شده با 
- مقاله Fuel Technology
- ترجمه مقاله Fuel Technology
- مقاله تکنولوژی سوخت
- ترجمه مقاله تکنولوژی سوخت
- مقاله Energy Engineering and Power Technology
- ترجمه مقاله Energy Engineering and Power Technology
- مقاله مهندسی انرژی و فن‌آوری قدرت
- ترجمه مقاله مهندسی انرژی و فن‌آوری قدرت
- مقاله General Chemical Engineering
- ترجمه مقاله General Chemical Engineering
- مقاله مهندسی شیمی عمومی
- ترجمه مقاله مهندسی شیمی عمومی
ترجمه کنید