Nghiên cứu của Đại học Yale phân tích học máy để phát triển sinh khối bền vững

Nghiên cứu của Đại học Yale phân tích học máy để phát triển sinh khối bền vững

    Nghiên cứu của Đại học Yale phân tích học máy để phát triển sinh khối bền vững

    news item image


    Sinh khối được coi là một sự thay thế tái tạo cho nhiên liệu hóa thạch, với nhiều chuyên gia nói rằng nó có thể đóng một vai trò quan trọng trong việc chống lại biến đổi khí hậu, theo Đại học Yale. Cửa hàng sinh khối lưu trữ carbon và có thể được biến thành các sản phẩm và năng lượng dựa trên sinh học có thể được sử dụng để cải thiện đất, xử lý nước thải và sản xuất nguyên liệu tái tạo.


    Tuy nhiên, những hạn chế kinh tế và thách thức để tối ưu hóa và kiểm soát chuyển đổi sinh khối đã cản trở sản xuất sinh khối quy mô lớn, nó nói.


    Trường Môi trường của Yale đã sản xuất một nghiên cứu mới, dẫn đầu là Yuan Yao, trợ lý giáo sư sinh thái công nghiệp và hệ thống bền vững, và sinh viên tiến sĩ Hannah Szu-han Wang. Nó cung cấp một phân tích về các ứng dụng học máy hiện tại cho các vật liệu sinh khối và sinh khối (BDM) để xác định xem việc học máy có thúc đẩy nghiên cứu và phát triển các sản phẩm sinh khối hay không. Các tác giả nghiên cứu phát hiện ra rằng việc học máy chưa được áp dụng trong toàn bộ vòng đời của BDM, hạn chế khả năng phát triển của nó, Yale nói.


    Nghiên cứu của Yao, điều tra làm thế nào các công nghệ mới nổi và phát triển công nghiệp sẽ ảnh hưởng đến môi trường với trọng tâm là kinh tế sinh học và sản xuất bền vững. Wang đã làm việc trong việc sản xuất các vật liệu sinh học trong quá trình nghiên cứu bậc thầy của cô. Hai nhà nghiên cứu cho biết họ quan tâm đến việc theo đuổi nghiên cứu này để tìm hiểu xem việc học máy có thể giúp thực hành tốt nhất để tạo BDM, một thành phần chính của nền kinh tế dựa trên sinh học, cũng như dự đoán hiệu suất của họ là vật liệu bền vững.


    Có rất nhiều sự kết hợp của nguyên liệu sinh khối, công nghệ chuyển đổi và các ứng dụng BDM. Nếu chúng ta muốn thử từng sự kết hợp bằng cách sử dụng phương pháp thử nghiệm thử và sai truyền thống, điều này sẽ mất rất nhiều thời gian, lao động, nỗ lực và năng lượng. Chúng tôi đã tạo ra rất nhiều dữ liệu từ các thí nghiệm trong quá khứ này, vì vậy chúng tôi đang hỏi, chúng tôi có thể áp dụng việc học máy để giúp chúng tôi tìm ra cách chúng tôi có thể thiết kế BDM tốt hơn không? "Yao giải thích.


    Đối với nghiên cứu, được công bố về tài nguyên, bảo tồn và tái chế, Yao và Wang đã xem xét hơn 50 bài báo được xuất bản từ năm 2008 để hiểu các khả năng, những hạn chế hiện tại và tiềm năng học máy trong tương lai trong việc hỗ trợ phát triển bền vững và ứng dụng của BDM.


    Phát hiện của họ chỉ ra rằng, trong khi một vài nghiên cứu áp dụng học máy để giải quyết các thách thức dữ liệu để đánh giá vòng đời, hầu hết các nghiên cứu chỉ áp dụng học máy để dự đoán và tối ưu hóa hiệu suất kỹ thuật của chuyển đổi và ứng dụng sinh khối. Không ai được xem xét các ứng dụng học máy trong toàn bộ vòng đời, từ canh tác sinh khối đến sản xuất BDM và các ứng dụng sử dụng cuối.


    Hầu hết các nghiên cứu đang áp dụng việc học máy chỉ là một phần rất nhỏ trong toàn bộ vòng đời của BDM, theo Y Yao. Lập luận của chúng tôi là nếu bạn thực sự muốn kết hợp tính bền vững vào sự phát triển của vật liệu này, chúng tôi cần xem xét toàn bộ vòng đời của các vật liệu, từ cách chúng được tạo ra cho đến tác động môi trường tiềm năng của chúng. Chúng tôi tin rằng học máy có khả năng hỗ trợ thiết kế thông tin bền vững cho các vật liệu có nguồn gốc sinh khối.
    Wang cho biết nghiên cứu đã dẫn đến nghiên cứu sâu hơn về khoảng cách dữ liệu trong học máy trên các vật liệu có nguồn gốc sinh khối.
    Chúng tôi đã tìm thấy một hướng đi trong tương lai mà mọi người chưa khám phá về các đánh giá bền vững cho BDM. Cần phải có một dự đoán toàn bộ con đường để tăng cường sự hiểu biết của chúng tôi về cách các yếu tố khác nhau liên quan đến BDM tương tác và đóng góp cho tính bền vững, cô nói.

    Zalo
    Hotline