Volgens Yale University wordt biomassa algemeen beschouwd als een hernieuwbaar alternatief voor fossiele brandstoffen en volgens veel experts zou het een sleutelrol kunnen spelen in de strijd tegen klimaatverandering . Biomassa slaat koolstof op en kan worden omgezet in biogebaseerde producten en energie die kunnen worden gebruikt om de bodem te verbeteren, afvalwater te zuiveren en hernieuwbare grondstoffen te produceren.
Economische beperkingen en uitdagingen bij het optimaliseren en beheersen van de conversie van biomassa hebben echter de grootschalige productie van biomassa belemmerd.
Yale’s School of the Environment heeft een nieuwe studie geproduceerd, geleid door Yuan Yao, assistent-professor industriële ecologie en duurzame systemen, en promovendus Hannah Szu-Han Wang. Het biedt een analyse van de huidige machine learning-toepassingen voor biomassa en van biomassa afgeleide materialen (BDM) om te bepalen of machine learning het onderzoek naar en de ontwikkeling van biomassaproducten bevordert. De auteurs van het onderzoek ontdekten dat machine learning niet gedurende de hele levenscyclus van BDM is toegepast, waardoor het ontwikkelingsvermogen ervan wordt beperkt, aldus Yale.
Yao’s studie onderzoekt hoe opkomende technologieën en industriële ontwikkeling het milieu zullen beïnvloeden, met een focus op bio-economie en duurzame productie. Wang werkte tijdens haar masteronderzoek in de productie van biomaterialen. De twee onderzoekers zeiden dat ze geïnteresseerd waren in het voortzetten van dit onderzoek om erachter te komen of machine learning zou kunnen helpen met best practices voor het creëren van BDM, een hoofdcomponent van een biogebaseerde economie, en om hun prestaties als duurzame materialen te voorspellen.
“Er zijn zoveel combinaties van biomassagrondstoffen, conversietechnologieën en BDM-toepassingen. Als we elke combinatie willen proberen met behulp van de traditionele trial-and-error experimentele benadering, kost dit veel tijd, arbeid, moeite en energie. We genereren al veel gegevens uit deze eerdere experimenten, dus we vragen ons af: kunnen we machine learning toepassen om erachter te komen hoe we BDM beter kunnen ontwerpen?”, legt Yao uit.
Voor de studie, die werd gepubliceerd in Resources, Conservation en Recycling beoordeelden Yao en Wang meer dan 50 papers die sinds 2008 zijn gepubliceerd om inzicht te krijgen in de mogelijkheden, de huidige beperkingen en het toekomstige potentieel van machine learning bij het ondersteunen van duurzame ontwikkeling en toepassingen van BDM.
Hun bevindingen gaven aan dat, hoewel enkele onderzoeken machine learning toepasten om data-uitdagingen voor levenscyclusanalyse aan te pakken, de meeste onderzoeken alleen machine learning toepasten om de technische prestaties van biomassaconversie en toepassingen te voorspellen en optimaliseren. Geen beoordeelde toepassingen voor machine learning gedurende de gehele levenscyclus, van de teelt van biomassa tot BDM-productie en toepassingen voor eindgebruik.
“De meeste onderzoeken passen machine learning toe op slechts een heel klein deel van de hele levenscyclus van BDM”, zei Yao. “Ons argument is dat als je echt duurzaamheid wilt integreren in de ontwikkeling van dit materiaal, we de hele levenscyclus van de materialen in overweging moeten nemen, van hoe ze worden gegenereerd tot hun potentiële milieu-impact. Wij geloven dat machine learning het potentieel heeft om op duurzaamheid gebaseerde ontwerpen voor materialen uit biomassa te ondersteunen.”
Wang zei dat de studie heeft geleid tot verder onderzoek naar gegevenslacunes in machine learning op van biomassa afgeleide materialen.
“We hebben een toekomstige richting gevonden die mensen nog niet hebben verkend op het gebied van duurzaamheidsbeoordelingen voor BDM. Er moet een volledige padvoorspelling zijn om ons begrip te vergroten van hoe verschillende factoren met betrekking tot BDM op elkaar inwerken en bijdragen aan duurzaamheid.”
Bron: Bioenergy-news.com
