Biomasse wird weithin als erneuerbare Alternative zu fossilen Brennstoffen angesehen, und viele Experten sagen, dass sie eine entscheidende Rolle bei der Bekämpfung des Klimawandels spielen kann. Biomasse speichert Kohlenstoff und kann in biobasierte Produkte und Energie umgewandelt werden, die zur Verbesserung des Bodens, zur Behandlung von Abwasser und zur Erzeugung erneuerbarer Rohstoffe verwendet werden können.
Die Produktion im großen Maßstab war jedoch aufgrund wirtschaftlicher Zwänge und Herausforderungen bei der Optimierung und Steuerung der Biomasseumwandlung begrenzt.
Eine neue Studie Unter der Leitung von Yuan Yao von der Yale School of the Environment, Assistenzprofessor für industrielle Ökologie und nachhaltige Systeme, und der Doktorandin Hannah Szu-Han Wang analysierten sie aktuelle maschinelle Lernanwendungen für Biomasse und aus Biomasse gewonnene Materialien (BDM), um festzustellen, ob maschinelles Lernen Fortschritte macht die Forschung und Entwicklung von Biomasseprodukten. Die Autoren der Studie stellten fest, dass maschinelles Lernen nicht über den gesamten Lebenszyklus von BDM angewendet wurde, was seine Entwicklungsfähigkeit einschränkt.
Yaos Forschung untersucht, wie sich neue Technologien und industrielle Entwicklung auf die Umwelt auswirken, mit einem Schwerpunkt auf Bioökonomie und nachhaltiger Produktion. Während ihrer Masterarbeit arbeitete Wang in der Produktion von Biomaterialien. Die beiden Forscher sagten, sie seien daran interessiert, diese Studie fortzusetzen, um herauszufinden, ob maschinelles Lernen bei Best Practices für die Entwicklung von BDM, einer Hauptkomponente einer biobasierten Wirtschaft, sowie bei der Vorhersage ihrer Leistung als nachhaltige Materialien helfen könnte.
„Es gibt so viele Kombinationen von Biomasse-Rohstoffen, Umwandlungstechnologien und BDM-Anwendungen. Wenn wir jede Kombination mit dem traditionellen experimentellen Trial-and-Error-Ansatz ausprobieren wollen, wird dies viel Zeit, Arbeit, Mühe und Energie kosten. Wir generieren bereits viele Daten aus diesen vergangenen Experimenten, also fragen wir uns, können wir maschinelles Lernen anwenden, um herauszufinden, wie wir BDM besser gestalten können? Yao erklärt.
Für die Studie, die in Resources, Conservation and Recycling veröffentlicht wurde, überprüften Yao und Wang mehr als 50 seit 2008 veröffentlichte Artikel, um die Fähigkeiten, aktuellen Einschränkungen und das zukünftige Potenzial des maschinellen Lernens bei der Unterstützung einer nachhaltigen Entwicklung und Anwendungen von BDM zu verstehen. Sie fanden heraus, dass einige Studien zwar maschinelles Lernen anwandten, um Datenherausforderungen für die Lebenszyklusbewertung anzugehen, die meisten Studien jedoch nur maschinelles Lernen anwendeten, um die technische Leistung der Biomasseumwandlung und -anwendungen vorherzusagen und zu optimieren. Keiner hat Anwendungen des maschinellen Lernens über den gesamten Lebenszyklus hinweg überprüft, vom Biomasseanbau über die BDM-Produktion bis hin zu Endverbrauchsanwendungen.
„Die meisten Studien wenden maschinelles Lernen nur auf einen sehr kleinen Teil des gesamten Lebenszyklus von BDM an“, sagt Yao. „Unser Argument ist, dass wir, wenn Sie wirklich Nachhaltigkeit in die Entwicklung dieses Materials einbeziehen wollen, den gesamten Lebenszyklus der Materialien berücksichtigen müssen, von der Art und Weise, wie sie erzeugt werden, bis zu ihren potenziellen Auswirkungen auf die Umwelt. Wir glauben, dass maschinelles Lernen das Potenzial hat, Nachhaltigkeit zu unterstützen -informiertes Design für aus Biomasse gewonnene Materialien.“
Wang sagte, die Studie habe zu weiterer Forschung zu Datenlücken beim maschinellen Lernen von aus Biomasse gewonnenen Materialien geführt.
„Wir haben eine zukünftige Richtung gefunden, die die Menschen in Bezug auf Nachhaltigkeitsbewertungen für BDM noch nicht erforscht haben. Es muss eine vollständige Pfadvorhersage geben, um unser Verständnis dafür zu verbessern, wie verschiedene Faktoren in Bezug auf BDM interagieren und zur Nachhaltigkeit beitragen“, sagt sie.
Mehr Informationen:
Hannah Szu-Han Wang et al., Maschinelles Lernen für nachhaltige Entwicklung und Anwendungen von Biomasse und aus Biomasse gewonnenen kohlenstoffhaltigen Materialien in Wasser- und Landwirtschaftssystemen: Eine Übersicht, Ressourcen, Erhaltung und Recycling (2023). DOI: 10.1016/j.resconrec.2022.106847