Active learning-driven experimental design for torrefaction process optimization using multi-objective Gaussian process surrogates
Este artículo presenta un marco de aprendizaje activo que utiliza sustitutos de procesos gaussianos multiobjetivo para optimizar eficientemente la torrefacción de biomasa mediante la recomendación de experimentos de alto valor que equilibran el rendimiento de masa, el poder calorífico superior y el rendimiento energético, reduciendo significativamente los costos experimentales.