[논문 리뷰] Prediction of tubular solar still performance by machine learning integrated with Bayesian optimization algorithm

Yunpeng Wang, A.W. Kandeal외 6명|arXiv (Cornell University)|2020. 02. 10.

Solar-Powered Water Purification Methods참고 문헌 40인용 수 7

한 줄 요약

이 연구는 이집트 기후 조건에서 관형 태양수증발기(TSS)의 생산성을 예측하기 위해 베이지안 최적화로 향상된 기계학습 모델—랜덤 포레스트(RF) 및 인공 신경망(ANN)—을 개발한다. RF는 R² = 0.9964를 기록하여 ANN(R² = 0.9977)과 다중선형 회귀(R² = 0.9431)를 능가하며, TSS 생산성 예측에 있어 뛰어난 안정성과 높은 정확도를 입증한다.

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.

연구 동기 및 목표

• 기계학습 기법을 사용하여 관형 태양수증발기(TSS) 생산성에 대한 정확한 예측 모델을 개발하기 위해.
• 성능 향상을 위해 기계학습 모델의 초기화수치를 베이지안 최적화를 통해 최적화하기 위해.
• 실험적 TSS 데이터에 대한 랜덤 포레스트(RF), 인공 신경망(ANN), 다중선형 회귀(MLR) 모델의 예측 정확도를 비교하기 위해.
• 실제 이집트 기후 조건 하에서 모델의 안정성과 초깃값에 대한 민감도를 평가하기 위해.
• 실제 응용에 적합한 가장 신뢰도가 높고 안정적인 모델을 특정하기 위해.

제안 방법

• 기계학습 모델 훈련을 위한 입력 자료로, 이집트 기후 조건에서의 관형 태양수증발기 실험 데이터를 수집하였다.
• 기상 및 열적 운영 매개변수를 입력으로 사용하여, 랜덤 포레스트(RF) 및 인공 신경망(ANN)이라는 두 가지 기계학습 모델을 훈련시켰다.
• 모든 RF 및 ANN 모델의 초깃값을 최적화하기 위해 베이지안 최적화 알고리즘(BOA)을 적용하였다.
• 예측 정확도 평가를 위해 결정계수(R²)를 사용하였으며, 다중선형 회귀(MLR) 기준선과 비교하였다.
• 모델는 평균 실험 생산성이 4.3 L/(m²·day)인 데이터셋을 기반으로 훈련 및 검증하였다.
• 모델의 안정성과 성능 일관성을 평가하기 위해 초깃값 민감도 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 기상 및 열적 매개변수를 사용하여 기계학습 모델이 관형 태양수증발기 생산성을 정확하게 예측할 수 있는가?
• RQ2 베이지안 최적화는 RF 및 ANN 모델의 TSS 생산성 예측 성능을 어떻게 향상시키는가?
• RQ3 RF, ANN, 또는 MLR 중 어느 기계학습 모델이 가장 높은 예측 정확도와 안정성을 보이는가?
• RQ4 RF 및 ANN 모델은 초깃값 조정에 얼마나 민감한가, 그리고 BOA는 그 성능을 상당히 향상시키는가?
• RQ5 실제 조건 하에서 정확한 TSS 생산성 예측을 위한 RF 및 ANN 모델의 최적 구성은 무엇인가?

주요 결과

• 관형 태양수증발기의 평균 실험 생산성은 4.3 L/(m²·day)였다.
• 랜덤 포레스트(RF) 모델은 결정계수(R²) 0.9964를 기록하여 높은 예측 정확도를 나타냈다.
• 인공 신경망(ANN) 모델은 더 높은 R² 0.9977을 기록하여, 예측 능력 면에서 약간 더 뛰어난 성능을 보였다.
• 베이지안 최적화는 ANN 성능을 상당히 향상시켰지만, RF에는 덜 영향을 미쳐, RF는 초깃값 조정에 덜 민감함을 시사했다.
• RF 및 ANN 모델은 모두 다중선형 회귀(MLR) 모델보다 상당히 뛰어난 성능을 보였으며, MLR 모델의 R²는 0.9431이었다.
• 높은 정확도와 안정성 덕분에 RF 모델은 TSS 생산성 예측에 있어 안정적이고 신뢰할 수 있는 방법으로 권장된다.