利用热解技术有效利用天然和人造生物质产品，如塑料，木材，废弃物，果皮等，通过混合不同的生物质以一定比例，获得了更高产的生物炭、生物油和其他非冷凝气体的关联性分析和各生物炭产率的分组，此外还利用了机器学习（ML）和深度学习（DL）算法，综合地研究了两种不同生物质材料对生物炭产量的协同作用。

May, 2024

本文介绍了机器学习在化学和聚烯烃制造优化中的应用，从 AI 和 ML 在化学工业的演变、核心 ML 组件和入门资源、各种 ML 方法以及深度学习网络探索，到使用先进 ML 算法进行预测建模的实践工作坊，提倡科学引导的机器学习方法，旨在为化学工程和聚烯烃生产中的 ML 实际应用提供详尽介绍，并为后续学习奠定基础。

Jan, 2024

该研究开发了基于机器学习的研究框架，用于对挥发性物质化合物的催化蒸汽重整进行建模、理解和优化。该机器学习框架通过综合评估催化剂特性和反应条件，在催化化学加工及相关研究领域加快了搜索最佳催化剂特性和反应条件的过程。

Jul, 2023

本研究旨在开发一种全面的模型，使用覆盖不同生物质类型和反应处理参数范围的数据库来表征水炭。使用决策树回归和支持向量回归两个模型预测水炭的质量和数量，然后使用进化算法来确定最佳的输入参数，以达到在能源生产，土壤改良和污染物吸附方面的最优化效果，其中生物质的灰分 / 碳含量和操作温度是影响水炭产量的主要因素。

May, 2023

这篇研究论文介绍了一种利用时间序列数据和领域知识的机器学习算法，以预测真菌孢子浓度，从而实现纸浆和造纸行业的实时质量控制。

Sep, 2023

本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

Jul, 2023

本文提出了一个基于机器学习模型分析可持续指标的强健模型，通过十种机器学习模型，包括随机森林，估算了三个生物量可持续性指标，结果表明随机森林是最佳选择，并可作为实时评估可持续性指标的指南。

Feb, 2023

本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了 eXtreme Gradient Boosted Trees Regressor（XGB）和 Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。

Apr, 2024

用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。

Aug, 2023

本文评估了采用机器学习模型预测燃气轮机排放的性能，在 Siemens Energy 的测试数据集上比较了现有预测排放模型，基于 SAINT 和 XGBoost 开发的两个机器学习模型，以展示采用机器学习技术可获得氮氧化物（NOx）和一氧化碳（CO）的改进预测性能，并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。

Jul, 2023