Please use this identifier to cite or link to this item:
http://hdl.handle.net/1942/38250
Title: | Prediction of CO2 absorption in amine solutions via Machine Learning techniques | Authors: | Vandael, Frederik | Advisors: | LEBLEBICI, Mumin Enis | Issue Date: | 2022 | Publisher: | UHasselt | Abstract: | CO2 captatie in een sproeikolom met behulp van amineoplossingen is een van de meest beloftevolle technieken om de uitstoot van CO2, een van de oorzaken van de opwarming van de aarde, te verminderen. Voor een implementatie op grote schaal is een nauwkeurig model van het CO2 captatieproces nodig. First-principle modellen hebben gefaald en het doel van deze masterproef is om een nauwkeurig model te maken van het CO2 captatieproces met behulp van Machine Learning technieken. De modellen zijn: een artificial neural network (ANN), een decision tree regressor (DTR) en drie support vector regressors (SVR). De modellen werden getraind met datapunten over monoethanolamine, 2-amino-2-methly-1-propanol en N-methyldiethanolamine. De inputs van het model zijn: de procesomstandigheden, informatie over de kolommen en de absorberende vloeistof. De output is de KGae-coëfficiënt, die de prestaties van de massaoverdracht aangeeft. Om de modellen met elkaar te vergelijken werden de R² score, MSE en MAE berekend voor elk model. Het ANN model kon de KGae niet accuraat voorspellen, maar toonde potentieel voor verdere verbetering. Het DTR model en SVR model met de lineaire kernel functie konden de KGae niet accuraat voorspellen, het DTR model door een gebrek aan output variantie en het SVR-lin door de niet-lineaire relatie tussen inputs en output. De SVR-modellen met de polynomiaal en radiale kernel functie voorspelde de KGae nauwkeurig en waren zeer flexibel, zowel wat betreft procesconditie, captatietechnologie, als absorberende oplossingen. | Notes: | master in de industriële wetenschappen: chemie | Document URI: | http://hdl.handle.net/1942/38250 | Category: | T2 | Type: | Theses and Dissertations |
Appears in Collections: | Master theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
8aab90ce-e301-4d24-95d9-23a5d2339437.pdf | 2.18 MB | Adobe PDF | View/Open | |
723e31ae-fe0d-4670-871b-99f7a66c9c21.pdf | 764.02 kB | Adobe PDF | View/Open |
Page view(s)
72
checked on Sep 10, 2023
Download(s)
46
checked on Sep 10, 2023
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.