Abstrak
Karena kompleksitas produksi amonia hijau, mengidentifikasi informasi yang berguna dari data besar untuk membangun model prediksi yang efisien dan dapat ditafsirkan merupakan suatu tantangan. Makalah ini mengusulkan metode entropi transfer yang ditingkatkan dan meningkatkan model dalam menangkap hubungan kausal antara variabel. Lebih jauh, algoritma identifikasi kausal temporal yang ringkas diperkenalkan, menggabungkan entropi transfer dan identifikasi kausal langsung. Algoritma ini mengintegrasikan keuntungan dari kedua metode, memungkinkan identifikasi cepat jalur kausal yang jelas dalam ruang variabel berdimensi tinggi. Dalam validasi industri dari proses amonia hijau yang sebenarnya, jumlah rata-rata variabel prediktif berdasarkan variabel dependen temporal yang ringkas dan selimut Markov temporal masing-masing adalah 3,341 dan 10,171, menghasilkan akurasi prediksi rata-rata ( R 2 ) sebesar 0,887 dan 0,905. Metode yang diusulkan memberikan solusi baru untuk pemodelan prediksi dalam proses amonia hijau.