MACHINE LEARNING MODELS FOR MUNICIPAL SOLID WASTE PYROLYSIS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Final thesis file.pdf Restricted to Repository staff only until 29 May 2026. Download (1MB)

Arabic Abstract

ملخص الرسالة االسم الكامل: تيميرالن شاهمانوف عنوان الرسالة: نماذج التعلم اآللي لتحلل النفايات الصلبة البلدية التخصص: الهندسة الكيميائية تاريخ الدرجة العلمية: مايو 2025 تزداد تعقيدات النفايات الصلبة البلدية بشكل مستمر، ويتفاقم الوضع بسبب الزيادة في استخدام البالستيك، مما يستدعي تُحّو إيجاد بدائل جديدة ومستدامة إلدارة هذه النفايات .يُعد التحلل الحراري إحدى تقنيات التحويل الحراري التي ل النفايات الصلبة إلى وقود غني بالطاقة، وهو خيار واعد ضمن استراتيجيات تحويل النفايات إلى طاقة .ومع ذلك، فإن التنبؤ الدقيق بكمية السائل الناتج عن التحلل يُعد تحديًا كبي ًرا بسبب الطبيعة غير الخطية لتنوع المواد األولية وظروف .التشغيل المختلفة .فالنماذج الحركية التقليدية غير قادرة على محاكاة هذا التنوع بالدقة المطلوبة في هذه الدراسة، تم استكشاف تطبيق نماذج تعلم آلي متقدمة لمحاكاة عملية التحلل الحراري والتنبؤ بكمية السائل الناتج .من مزيج من النفايات الصلبة البلدية والنفايات البالستيكية تم جمع مجموعة بيانات مناسبة تتضمن أكثر من 300 نقطة تجريبية من األدبيات العلمية، وتضمنت قائمة المتغيرات المدخلة التركيب العنصري )الكربون، الهيدروجين، األوكسجين، النيتروجين، الكلور(، ومحتوى البوليمرات )البولي ،إيثيلين عالي الكثافة، البولي إيثيلين منخفض الكثافة، البولي بروبيلين، البولي إيثيلين تيرفثاالت، البولي فينيل كلورايد البولي ستايرين(، وحجم الجسيمات، ومعدل التسخين، ودرجة الحرارة .وقد تم تطبيق تقنيات هندسة الميزات والتطبيع كجزء من معالجة البيانات األولية، ثم تم تدريب واختبار سبعة نماذج تعلم آلي، وهي :الغابة العشوائية، أشجار اتخاذ ،القرار المعززة تدريجيًا، المعزز شديد التدرج، المعزز باستخدام كات، المعزز الخفيف، معزز آدا - االنحدار الداعم .واالنحدار الرمزي فين أظهرت نتائج نموذجي الغابة العشوائية وأشجار اتخاذ القرار المعززة تدريجيًا أعلى قيم معامل التحديد )0.8952 و0.8940 على التوالي .(أما االنحدار الرمزي فين، فرغم أنه كان أقل دقة )معامل التحديد 0.827 (، إال أنه قدم معادالت جبرية قابلة للفهم تعكس العالقات األساسية بين المتغيرات .كما أظهرت مقارنة أهمية الميزات عبر النماذج أن درجة الحرارة، حجم الجسيمات، ونسب البوليمرات )البولي بروبيلين، البولي إيثيلين عالي الكثافة، البولي إيثيلين منخفض الكثافة، البولي إيثيلين تيرفثاالت (كانت من بين أهم العوامل المؤثرة في تغير العائد السائل .وقد أضاف تحليل بُعدًا إضافيًا لتفسير النماذج، مما وفر رؤى ذات معنى حول تفاعالت المدخالت (SHAP (القيم التوضيحية التراكمية .والمخرجات تقدم هذه الدراسة منهجية قوية قائمة على البيانات، تجمع بين النمذجة التجميعية عالية األداء والنمذجة الرمزية القابلة آفاقً جديدة نحو إدارة مستدامة للتفسير .وتدعم هذه النتائج تطوير أنظمة تحلل حراري ذكية وقابلة للتكيّف، كما تفتح ا للنفايات، وتسهم في تحقيق مبادرات وطنية مثل رؤية السعودية 2030.

English Abstract

The rising complexity of municipal solid waste (MSW) and aggravated by expanding plastic usage necessitates new and sustainable MSW management alternatives. Pyrolysis, a thermal conversion technology for the transformation of MSW to energy-rich fuels, is a waste-to-energy alternative. Yet, accurate prediction of pyrolysis liquid product is a big challenge owing to the nonlinearity involved in the diversity of feedstocks and operating conditions. The conventional kinetic models are incapable of this richness with the fidelity required. In this study, the application of sophisticated machine learning (ML) methods to simulate the pyrolysis process and predict the liquid yield from a blend of municipal solid waste (MSW) and plastic waste is explored. A suitably chosen dataset of over 300 experimental points was collected from the literature, and the detailed list of input variables consisted of elemental composition (C, H, O, N, Cl), polymeric content (HDPE, LDPE, PP, PET, PVC, PS), particle size, heating rate, and temperature. Feature engineering and normalization techniques were applied for preprocessing the dataset, and training and testing of seven machine learning models like Random Forest, Gradient Boosting Decision Trees (GBDT), XGBoost, CatBoost, LightGBM, AdaBoost-SVR, and Feyn symbolic regression were done as a result. R², RMSE, MAE. Among the models, Random Forest and GBDT had the top test R² values (0.8952 and 0.8940, respectively). Feyn symbolic regression, though less accurate (test R² = 0.827), gave readable algebraic equations that reflected key relationships between variables. Feature importance comparison across models identified temperature, particle size, and polymeric fractions (PP, HDPE, LDPE, PET) as the highest contributors to the yield variation. SHAP analysis provided an additional dimension of model interpretability so that input-output interaction insights were meaningful. This research provides a robust, data-driven methodology that integrates high-performance ensemble modeling with understandable symbolic modeling. The outcomes support the development of smart and adaptive pyrolysis systems and open doors to sustainable waste management and facilitate national initiatives like Saudi Vision 2030.

Item Type:	Thesis (Masters)
Subjects:	Chemistry Environmental Chemical Engineering
Department:	College of Chemicals and Materials > Chemical Engineering
Committee Advisor:	Al-Khater, Mohammed
Committee Co-Advisor:	Abdelaziz, Omar
Committee Members:	Alasiri, Hassan
Depositing User:	TEMIRLAN SHAKHMANOV (g202211060)
Date Deposited:	29 May 2025 10:38
Last Modified:	29 May 2025 10:38
URI:	http://eprints.kfupm.edu.sa/id/eprint/143504