La biomasse est largement considérée comme une alternate renouvelable aux combustibles fossiles, et de nombreux professionals affirment qu’elle peut jouer un rôle essentiel dans la lutte contre le changement climatique. La biomasse stocke le carbone et peut être transformée en produits biosourcés et en énergie qui peuvent être utilisés pour améliorer les sols, traiter les eaux usées et produire des matières premières renouvelables.
Pourtant, sa production à grande échelle a été limitée en raison de contraintes économiques et des défis liés à l’optimisation et au contrôle de la conversion de la biomasse.
Une nouvelle étude dirigée par Yuan Yao, professeur adjoint d’écologie industrielle et de systèmes durables, de la Yale University of the Natural environment, et la doctorante Hannah Szu-Han Wang, ont analysé les applications actuelles d’apprentissage automatique pour la biomasse et les matériaux dérivés de la biomasse (BDM) afin de déterminer si la equipment l’apprentissage fait progresser la recherche et le développement de produits issus de la biomasse. Les auteurs de l’étude ont constaté que l’apprentissage automatique n’a pas été appliqué à l’ensemble du cycle de vie du BDM, ce qui limite sa capacité de développement.
Les recherches de Yao étudient comment les systems émergentes et le développement industriel affecteront l’environnement en mettant l’accent sur la bioéconomie et la production durable. Wang a travaillé dans la output de biomatériaux pendant ses recherches de maîtrise. Les deux chercheurs ont déclaré qu’ils étaient intéressés à poursuivre cette étude pour savoir si l’apprentissage automatique pouvait aider à la création de meilleures pratiques pour la création de BDM, un composant principal d’une bioéconomie, ainsi qu’à la prédiction de leurs performances en tant que matériaux durables.
“Il existe tellement de combinaisons de matières premières de biomasse, de systems de conversion et d’applications BDM. Si nous voulons essayer chaque combinaison en utilisant l’approche expérimentale traditionnelle par essais et erreurs, cela prendra beaucoup de temps, de travail, d’efforts et d’énergie. Nous générons déjà beaucoup de données à partir de ces expériences passées, nous demandons donc, pouvons-nous appliquer l’apprentissage automatique pour nous aider à comprendre remark nous pouvons mieux concevoir le BDM ?” Yao explique.
Pour l’étude, qui a été publiée dans Methods, Conservation and Recycling, Yao et Wang ont examiné moreover de 50 articles publiés depuis 2008 pour comprendre les capacités, les limites actuelles et le potentiel futur de l’apprentissage automatique pour soutenir le développement long lasting et les applications du BDM. Ce qu’ils ont découvert, c’est que si quelques études ont appliqué l’apprentissage automatique pour relever les défis des données pour l’évaluation du cycle de vie, la plupart des études n’ont appliqué l’apprentissage automatique que pour prédire et optimiser les performances methods de la conversion de la biomasse et des purposes. Aucun n’a examiné les applications d’apprentissage automatique sur l’ensemble du cycle de vie, de la lifestyle de la biomasse à la production de BDM et aux programs d’utilisation finale.
“La plupart des études n’appliquent l’apprentissage automatique qu’à une très petite partie du cycle de vie complet du BDM”, déclare Yao. “Notre argument est que si vous voulez vraiment intégrer la durabilité dans le développement de ce matériau, nous devons prendre en compte l’ensemble du cycle de vie des matériaux, de la façon dont ils sont générés à leur effect potentiel sur l’environnement. Nous pensons que l’apprentissage automatique a le potentiel de soutenir la durabilité. -conception éclairée pour les matériaux dérivés de la biomasse.”
Wang a déclaré que l’étude a conduit à de nouvelles recherches sur les lacunes en matière de données dans l’apprentissage automatique sur les matériaux dérivés de la biomasse.
“Nous avons trouvé une path future que les gens n’ont pas encore explorée en termes d’évaluations de la durabilité pour le BDM. Il doit y avoir une prédiction complète de la voie pour améliorer notre compréhension de la façon dont divers facteurs concernant le BDM interagissent et contribuent à la durabilité”, dit-elle.