Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
140
Lista 2023
Status:
Autorzy: Kujawska Justyna, Kulisz Monika, Oleszczuk Piotr, Cel Wojciech
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2023
Wersja dokumentu: Elektroniczna
Język: angielski
Numer czasopisma: 10
Wolumen/Tom: 16
Numer artykułu: 4162
Strony: 1 - 16
Web of Science® Times Cited: 2
Scopus® Cytowania: 3
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Finansowanie: This research was funded by the Polish Ministry of Science and Higher Education, grant numbers: FD-NZ-020/2022, FD-20/IS-6/019, FD-NZ-030/2022 and FD-20/IS-6/003.
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 18 maja 2023
Abstrakty: angielski
Recently, biomass has become an increasingly widely used energy resource. The problem with the use of biomass is its variable composition. The most important property that determines the energy content and thus the performance of fuels such as biomass is the heating value (HHV). This paper focuses on selecting the optimal number of input variables using linear regression (LR) and the multivariate adaptive regression splines approach (MARS) to create an artificial neural network model for predicting the heating value of selected biomass. The MARS model selected the input data better than the LR model. The best modeling results were obtained for a network with three input neurons and nine neurons in the hidden layer. This was confirmed by a high correlation coefficient of 0.98. The obtained results show that artificial neural network (ANN) models are effective in predicting the calorific value of woody and field biomass, and can be considered a worthy simulation model for use in selecting biomass feedstocks and their blends for renewable fuel applications.