基于机器学习研究太阳能热脱盐的数据集规模效应与大数据挖掘过程
应用物理
2024-11-14 v2 机器学习
摘要
机器学习在太阳能热脱盐中的应用受限于数据短缺与分析不一致。本研究针对代表性太阳蒸馏器开发了优化的数据集收集与分析流程。通过对冷凝盖进行超亲水处理，数据集收集过程将收集时间减少了 83.3%。收集了超过 1,000 个数据集，较最新工作近乎大一个数量级。随后，提出了一种新的跨学科流程。获得了一些先前研究未涉及的有意义结果。发现对于大于 1,000 的数据集，Random Forest 可能因高精度与快速度而成为更好选择。此外，数据集范围显著影响各因素的量化重要性（加权值），增量最高达 115%。而且，结果表明机器学习在产水量的外推预测上具有高精度，最小平均相对预测误差仅约 4%。本工作的结果不仅显示了数据集特征效应的必要性，也为利用机器学习研究太阳能热脱盐提供了标准流程，将为跨学科研究铺平道路。
引用
@article{arxiv.2307.12594,
title = {The effect of dataset size and the process of big data mining for investigating solar-thermal desalination by using machine learning},
author = {Guilong Peng and Senshan Sun and Zhenwei Xu and Juxin Du and Yangjun Qin and Swellam W. Sharshir and A. W. Kandel and A. E. Kabeel and Nuo Yang},
journal= {arXiv preprint arXiv:2307.12594},
year = {2024}
}