文献

J-GLOBAL ID：202002271059571717   整理番号：20A1526132

廃プラスチック燃焼ボイラの性能予測と解釈【JST・京大機械翻訳】

Performance Prediction and Interpretation of a Refuse Plastic Fuel Fired Boiler

著者 (6件)： Shaha Aditya Pankaj (Supply Chain Team, Grofers, Bengaluru, India) ,  Singamsetti Mohan Sai (Department of Computing Science, University of Alberta, Edmonton, AB, Canada) ,  Tripathy B. K. (School of Information Technology and Engineering, Vellore Institute of Technology, Vellore, India) ,  Srivastava Gautam (Department of Mathematics and Computer Science, Brandon University, Brandon, MB, Canada) ,  Bilal Muhammad (Division of Computer Engineering, Hankuk University of Foreign Studies, Yongin-si, South Korea) ,  Nkenyereye Lewis (Department of Computer and Information Security, Sejong University, Seoul, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 117467-117482  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 合理的なコストで蒸気の形でエネルギー必要量を catめるために,プロセス産業は,産業共生を通して自身を参加させることにより廃棄物焼却プラントに依存している。しかし,産業共生の確立の前に,廃棄物焼却プラントで使用されるボイラの運転性能をモニターし予測することは非常に重要である。既存の研究は,入力パラメータ,すなわち供給水温度,供給水圧力,焼却炉出口温度およびコンベヤ速度を用いて,蒸気の圧力,温度,および質量流量に関するボイラの性能の予測のために,人工ニューラルネットワーク(ANNs)を使用することに焦点を合わせる。しかし,このアプローチによる問題は,浅いANNが複雑な数学的非線形関係を正確にモデル化できないことである。さらに,ANNsは,利害関係者が生産においてこれらのネットワークを使用するのに,利害関係者の魅力があると解釈できない。本論文では,一連の機械学習と深層学習モデルを用いて,ボイラ性能を支配する複雑な関係のモデリングによってANNのこれらの欠点に取り組んだ。また,研究論文は,特徴重要性,部分依存プロット(PDP)プロットなどの多重技術を導入し,それは,利害関係者にとってより信頼できるように,モデル出力の背後にある理由を解釈する。新しい機械学習と深層学習モデルは,ボイラ性能を予測するためにANNよりも良好に機能することを示した。ランダム森林モデルは,平均絶対百分率誤差(MAPE)が1.12であり,LSTMsは,6.93のMAPEを持つ元のANNモデルと比較して,蒸気温度Coの予測において,1.14のMAPEを有した。蒸気圧力kgf/cm2の予測の場合,ランダム森林モデルおよびLSTMに対するMAPEは,1.49のANN MAPEと比較して,それぞれ5.54および4.21であった。同様に,蒸気質量流量(t/h)に対して,MAPEはランダムフォレストモデルおよびLSTMによってそれぞれ15.6および9.63に改善され,それはANNベースモデルに対して当初18.77であった。これらの結果は,LSTMベースモデルが予測精度に関してANNとランダムフォレストを凌駕することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 蒸気圧 ,  ネットワーク ,  *ボイラ ,  焼却炉 ,  走行性能 ,  ニューラルネットワーク ,  水温 ,  *高分子廃棄物 ,  多重化 ,  エネルギー需要 ,  清掃工場 ,  機械学習 ,  質量流量
準シソーラス用語： *性能予測 ,  予測精度 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 廃プラスチック ,  燃焼ボイラ ,  性能予測