[论文解读] 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 7

一句话总结

本研究开发了基于贝叶斯优化增强的机器学习模型——随机森林（RF）与人工神经网络（ANN），以预测埃及气候条件下管式太阳能蒸馏器（TSS）的产水量。RF模型表现更优，决定系数R²达0.9964，优于ANN（R² = 0.9977）和多元线性回归（R² = 0.9431），表明其在TSS产水量预测中具有优异的鲁棒性与高精度。

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.

研究动机与目标

• 利用机器学习技术开发准确的管式太阳能蒸馏器（TSS）产水量预测模型。
• 采用贝叶斯优化算法对机器学习模型的超参数进行优化，以提升性能。
• 对比随机森林（RF）、人工神经网络（ANN）与多元线性回归（MLR）模型在实验TSS数据上的预测准确性。
• 在真实埃及气候条件下，评估模型的鲁棒性及其对超参数的敏感性。
• 识别最适合实际应用的太阳能蒸馏器产水量预测的可靠且稳定的模型。

提出的方法

• 收集埃及气候条件下管式太阳能蒸馏器的实验数据，作为模型训练的输入。
• 利用气象参数与热力运行参数作为输入，训练两种机器学习模型——随机森林（RF）与人工神经网络（ANN）。
• 应用贝叶斯优化算法（BOA）对RF与ANN模型的超参数进行调优，以最大化预测准确性。
• 采用决定系数（R²）评估模型性能，并与多元线性回归（MLR）基线模型进行比较。
• 在平均实验产水量为4.3 L/(m²·day)的数据集上对模型进行训练与验证。
• 分析超参数的敏感性，以评估模型的稳定性和性能一致性。

实验结果

研究问题

• RQ1 机器学习模型能否基于气象与热力参数准确预测管式太阳能蒸馏器的产水量？
• RQ2 贝叶斯优化如何提升RF与ANN模型在预测TSS产水量方面的性能？
• RQ3 在RF、ANN与MLR模型中，哪一种模型展现出最高的预测准确率与鲁棒性？
• RQ4 RF与ANN模型对超参数调优的敏感性如何？贝叶斯优化是否显著提升了其性能？
• RQ5 在真实世界条件下，RF与ANN模型在准确预测TSS产水量方面，最优配置为何？

主要发现

• 管式太阳能蒸馏器的平均实验产水量为4.3 L/(m²·day)。
• 随机森林（RF）模型的决定系数（R²）达到0.9964，表明其具有很高的预测准确性。
• 人工神经网络（ANN）模型的R²为0.9977，略高于RF，预测能力更强。
• 贝叶斯优化显著提升了ANN模型的性能，但对RF的影响较小，表明RF对超参数调优的敏感性较低。
• RF与ANN模型均显著优于多元线性回归（MLR）模型，后者R²仅为0.9431。
• 由于其优异的鲁棒性与高精度，推荐将RF模型作为预测TSS产水量的稳定可靠方法。