mdh.sePublikationer
Ändra sökning
Avgränsa sökresultatet
1 - 5 av 5
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Träffar per sida
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
Markera
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Ahmed, Mobyen Uddin
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Andersson, Peter
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Andersson, Tim
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Tomas Aparicio, Elena
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi. Malardalen Univ, Future Energy Ctr, Sch Business Soc & Engn, SE-72123 Vasteras, Sweden.;Malarenergi AB, Sjohagsvagen 3, S-72103 Vasteras, Sweden..
    Baaz, Hampus
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Barua, Shaibal
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Bergström, Albert
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Bengtsson, Daniel
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Orisio, Daniele
    State Inst Higher Educ Guglielmo Marconi, Dalmine, Italy..
    Skvaril, Jan
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Zambrano, Jesus
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    A Machine Learning Approach for Biomass Characterization2019Ingår i: INNOVATIVE SOLUTIONS FOR ENERGY TRANSITIONS / [ed] Yan, J Yang, HX Li, H Chen, X, ELSEVIER SCIENCE BV , 2019, s. 1279-1287Konferensbidrag (Refereegranskat)
    Abstract [en]

    The aim of this work is to apply and evaluate different chemometric approaches employing several machine learning techniques in order to characterize the moisture content in biomass from data obtained by Near Infrared (NIR) spectroscopy. The approaches include three main parts: a) data pre-processing, b) wavelength selection and c) development of a regression model enabling moisture content measurement. Standard Normal Variate (SNV), Multiplicative Scatter Correction and Savitzky-Golay first (SGi) and second (SG2) derivatives and its combinations were applied for data pre-processing. Genetic algorithm (GA) and iterative PLS (iPLS) were used for wavelength selection. Artificial Neural Network (ANN), Gaussian Process Regression (GPR), Support Vector Regression (SVR) and traditional Partial Least Squares (PLS) regression, were employed as machine learning regression methods. Results shows that SNV combined with SG1 first derivative performs the best in data pre-processing. The GA is the most effective methods for variable selection and GPR achieved a high accuracy in regression modeling while having low demands on computation time. Overall, the machine learning techniques demonstrate a great potential to be used in future NIR spectroscopy applications.

  • 2.
    Ahmed, Mobyen Uddin
    et al.
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Andersson, Peter
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Andersson, Tim
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Tomas Aparicio, Elena
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi. Mälarenergi AB, Sweden.
    Baaz, Hampus
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Barua, Shaibal
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system. RISE SICS, Sweden.
    Bergström, Albert
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Bengtsson, Daniel
    Mälardalens högskola, Akademin för innovation, design och teknik, Inbyggda system.
    Skvaril, Jan
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Zambrano, Jesus
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Real-time Biomass Characterization in Energy Conversion Processes using Near Infrared Spectroscopy: A Machine Learning Approach2019Ingår i: “Innovative Solutions for Energy Transitions” / [ed] Elsevier, 2019, Vol. 158, s. 1279-1287Konferensbidrag (Refereegranskat)
    Abstract [en]

    The aim of this work is to apply and evaluate different chemometric approaches employing several machine learning techniques in order to characterize the moisture content in biomass from data obtained by Near Infrared (NIR) spectroscopy. The approaches include three main parts: a) data pre-processing, b) wavelength selection and c) development of a regression model enabling moisture content measurement. Standard Normal Variate (SNV), Multiplicative Scatter Correction and Savitzky-Golay first (SG1) and second (SG2) derivatives and its combinations were applied for data pre-processing. Genetic algorithm (GA) and iterative PLS (iPLS) were used for wavelength selection. Artificial Neural Network (ANN), Gaussian Process Regression (GPR), Support Vector Regression (SVR) and traditional Partial Least Squares (PLS) regression, were employed as machine learning regression methods. Results shows that SNV combined with SG1 first derivative performs the best in data pre-processing. The GA is the most effective methods for variable selection and GPR achieved a high accuracy in regression modeling while having low demands on computation time. Overall, the machine learning techniques demonstrate a great potential to be used in future NIR spectroscopy applications.

  • 3.
    Starfelt, Fredrik
    et al.
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Tomas Aparicio, Elena
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Li, Hailong
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Dotzauer, Erik
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Integration of torrefaction in CHP plants - A case study2015Ingår i: Energy Conversion and Management, ISSN 0196-8904, E-ISSN 1879-2227, Vol. 90, s. 427-435Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    Torrefied biomass shows characteristics that resemble those of coal. Therefore, torrefied biomass can be co-combusted with coal in existing coal mills and burners. This paper presents simulation results of a case study where a torrefaction reactor was integrated in an existing combined heat and power plant and sized to replace 25%, 50%, 75% or 100% of the fossil coal in one of the boilers. The simulations show that a torrefaction reactor can be integrated with existing plants without compromising heat or electricity production. Economic and sensitivity analysis show that the additional cost for integrating a torrefaction reactor is low which means that with an emission allowance cost of 37 €/ton CO2, the proposed integrated system can be profitable and use 100% renewable fuels. The development of subsidies will affect the process economy. The determinant parameters are electricity and fuel prices.

  • 4.
    Starfelt, Fredrik
    et al.
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Tomas Aparicio, Elena
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Thorin, Eva
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Ericson, V.
    Mälardalens högskola, Akademin för ekonomi, samhälle och teknik, Framtidens energi.
    Simultaneous dynamic and quasi-steady state simulations to optimize combined heat and power plant operation2012Konferensbidrag (Refereegranskat)
  • 5.
    Tomas Aparicio, Elena
    et al.
    Mälardalens högskola, Akademin för hållbar samhälls- och teknikutveckling.
    Li, Hailong
    Mälardalens högskola, Akademin för hållbar samhälls- och teknikutveckling.
    Starfelt, Fredrik
    Mälardalens högskola, Akademin för hållbar samhälls- och teknikutveckling.
    Dahlquist, Erik
    Mälardalens högskola, Akademin för hållbar samhälls- och teknikutveckling.
    Dynamic Simulation of Torrefaction2012Konferensbidrag (Refereegranskat)
1 - 5 av 5
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf