Development of multiple machine-learning computational techniques for optimization of heterogenous catalytic biodiesel production from waste vegetable oil: Development of multiple machine-learning computational techniques for optimization

Abstract

Multiple machine learning models were developed in this study to optimize biodiesel production from waste cooking oil in a heterogenous catalytic reaction mode. Several input parameters were considered for the model including reaction temperature, reaction time, catalyst loading, methanol/oil molar ratio, whereas the percent of biodiesel production yield was the only output. Three ensemble models were utilized in this study: Boosted Linear Regression, Boosted Multi-layer Perceptron, and Forest of Randomized Tree for optimization of the yield. We then found their optimized configurations for each model, namely hyper-parameters. This critical task is done by running more than 1000 combinations of hyper-parameters. Finally, The R2-Scores for Boosted Linear Regression, Boosted Multi-layer Perceptron, and Forest of Randomized Tree, respectively, were 0.926, 0.998, and 0.992. MAPE criterion revealed that the error rates for boosted linear regression, boosted multi-layer perceptron, and Forest of Randomized Tree was 5.68 × 10-2, 5.20 × 10-2, and 9.83 × 10-2, respectively. Furthermore, utilizing the input vector (X1 = 165, X2 = 5.72, X3 = 5.55, X4 = 13.0), the proposed technique produces an ideal output value of 96.7 % as the optimum yield in catalytic production of biodiesel from waste cooking oil В этом исследовании было разработано несколько моделей машинного обучения для оптимизации производства биодизельного топлива из отработанного кулинарного масла в режиме гетерогенной каталитической реакции. Для модели рассматривались несколько входных параметров, включая температуру реакции, время реакции, загрузку катализатора, молярное соотношение метанол/нефть, тогда как единственным выходом был процент выхода биодизельного топлива. В этом исследовании использовались три модели ансамбля: форсированная линейная регрессия, форсированный многослойный персептрон и лес рандомизированных деревьев для оптимизации выхода. Затем мы нашли их оптимизированные конфигурации для каждой модели, а именно гиперпараметры. Эта важная задача выполняется путем запуска более 1000 комбинаций гиперпараметров. Наконец, R2-баллы для форсированной линейной регрессии, форсированного многослойного персептрона и леса рандомизированного дерева соответственно составили 0,926, 0,998 и 0,992. Критерий MAPE показал, что частота ошибок для усиленной линейной регрессии, усиленного многослойного перцептрона и леса рандомизированного дерева составила 5,68 × 10–2, 5,20 × 10–2 и 9,83 × 10–2 соответственно.