[論文レビュー] Prediction of tubular solar still performance by machine learning integrated with Bayesian optimization algorithm

Yunpeng Wang, A.W. Kandeal+6 more|arXiv (Cornell University)|Feb 10, 2020

Solar-Powered Water Purification Methods参考文献 40被引用数 7

ひとこと要約

本研究では、エジプトの気象条件下でチューブ型太陽光蒸発器（TSS）の生産性を予測するため、ベイズ最適化を用いて強化された機械学習モデル—ランダムフォレスト（RF）およびニューラルネットワーク（ANN）—を開発した。RFはR² = 0.9964を達成し、ANN（R² = 0.9977）および多変量線形回帰（R² = 0.9431）を上回り、TSS生産性予測において高い精度と頑健性を示した。

ABSTRACT

Presented is a new generation prediction model of a tubular solar still (TSS) productivity utilizing two machine learning (ML) techniques, namely:Random forest (RF) and Artificial neural network (ANN). Prediction models were conducted based on experimental data recorded under Egyptian climate. Meteorological and operational thermal parameters were utilized as input layers. Moreover, Bayesian optimization algorithm (BOA) was used to obtain the optimal performance of RF and ANN models. In addition, these models results were compared to those of a multilinear regression (MLR) model. As resulted, experimentally, the average value accumulated productivity was 4.3 L/(m2day). For models results, RF was less sensitive to hyper parameters than ANN as ANN performance could be significantly improved by BOA more than RF. In addition, RF achieved better prediction performance of TSS on the current dataset. The determination coefficients (R2) of RF and ANN were 0.9964 and 0.9977, respectively, which were much higher than MLR models, 0.9431. Based on the robustness performance and high accuracy, RF is recommended as a stable method for predicting the productivity of TSS.

研究の動機と目的

• 機械学習手法を用いてチューブ型太陽光蒸発器（TSS）の生産性を正確に予測するモデルを開発すること。
• 予測性能の向上を図るため、機械学習モデルのハイパーパrameterをベイズ最適化で最適化すること。
• 実験的TSSデータに基づき、ランダムフォレスト（RF）、ニューラルネットワーク（ANN）、多変量線形回帰（MLR）モデルの予測精度を比較すること。
• 実際のエジプトの気象条件下で、モデルの頑健性およびハイパーパrameterへの感受性を評価すること。
• 太陽光蒸発器の生産性予測に実用的応用が可能な、最も信頼性が高く安定したモデルを特定すること。

提案手法

• モデル学習の入力として、エジプトの気象条件下でのチューブ型太陽光蒸発器の実験データを収集した。
• 気象および熱的運用パラメータを入力として、ランダムフォレスト（RF）およびニューラルネットワーク（ANN）の2つの機械学習モデルを訓練した。
• 両モデルのハイパーパrameterを最適化するため、ベイズ最適化アルゴリズム（BOA）を適用した。
• モデルの性能は決定係数（R²）を用いて評価し、多変量線形回帰（MLR）ベースラインと比較した。
• データセットの平均実験的生産性が4.3 L/(m²·day)であるのを踏まえ、モデルを学習および検証した。
• モデルの安定性および性能の一貫性を評価するため、ハイパーパrameterの感受性を分析した。

実験結果

リサーチクエスチョン

• RQ1 気象および熱的パラメータを用いた機械学習モデルは、チューブ型太陽光蒸発器の生産性を正確に予測できるか？
• RQ2 ベイズ最適化は、RFおよびANNモデルのTSS生産性予測性能をどのように向上させるか？
• RQ3 RF、ANN、MLRのうち、どの機械学習モデルが予測精度および頑健性において最高か？
• RQ4 RFおよびANNモデルはハイパーパrameterチューニングに対してどれほど感受性を示すか？また、BOAはその性能を顕著に向上させるか？
• RQ5 実際の条件下で、TSS生産性を正確に予測するためのRFおよびANNモデルの最適な構成は何か？

主な発見

• チューブ型太陽光蒸発器の平均実験的生産性は4.3 L/(m²·day)であった。
• ランダムフォレスト（RF）モデルは決定係数（R²）が0.9964に達し、高い予測精度を示した。
• ニューラルネットワーク（ANN）モデルはR²が0.9977に達し、わずかにRFを上回る予測力を持っていた。
• ベイズ最適化はANNの性能を顕著に向上させたが、RFにはやや小さい影響に留まり、RFはハイパーパrameterチューニングに対して感受性が低いことが示された。
• RFおよびANNモデルは、多変量線形回帰（MLR）モデル（R² = 0.9431）を著しく上回った。
• 高い精度と頑健性を兼ね備えることから、RFモデルはTSS生産性予測に安定的かつ信頼性の高い手法として推奨される。