Bioresource Technology丨基于物理化学特性和热解条件的木质纤维素生物质热解产物的机器学习预测

论文内容

研究背景：

本研究通过生物质物理化学特性和热解条件的机器学习算法预测热解产物产量。比较分析了随机森林(RF)、梯度增强决策树(GBDT)、极限梯度增强(XGBoost)和自适应增强(Adaboost)算法。在这些算法中，射频算法是最好的建模算法，在预测生物油产率方面表现最好，在预测生物炭和热解气产率方面表现良好。水分含量、碳含量和最终加热温度是预测热解产物产率的最重要因素，生物质特性比热解条件更重要。碳含量对生物油收率有正向影响，对生物炭收率有负向影响;最终温度对热解气收率有正向影响，对生物炭收率有负向影响。本研究为利用RF算法控制热解产物产率提供了新的思路，有助于工程应用中的工艺优化。

研究内容：

热解是一种经济且技术可行的热化学转化技术，可将木质纤维素生物质转化为固相生物炭、液相生物油、气相热解气等高附加值产品。这些热解产物可以通过采取特定的方法直接利用，其余不能直接利用的部分可以通过附加加工进一步转化利用。生物油是一种棕色的粘性液体，由含氧分子(如醛、酮和酚)和碳氢化合物组成，可以有效地代替传统的碳氢燃料。生物炭是一种富含碳的黑色产品，具有作为煤炭替代燃料的潜在用途，在废物管理、碳固存和土壤修复等领域引起了人们的极大兴趣。热解气主要含有CO2、CO、CH4和H2等有价值的成分，被认为是合成气的有利来源。热解得到的产物分布取决于不同的操作变量，如温度、升温速率、惰性流量、蒸汽停留时间、颗粒大小等，其中温度、升温速率和惰性流量是影响不同产物收率和质量的最关键因素。热解产物的产率也受到生物质特性的影响。生物量的特征可以通过近似分析、相对含量分析和终极分析来再现。由于反应复杂，涉及的变量众多，采用简单的传统实验方法优化热解产物的产率具有挑战性。研究表明，研究各种因素对生物质热解产率影响的传统实验模拟方法耗时且费力。

Fig.1 变量热图

Fig.2 对基于RF算法的模型进行实际值与预测值的预测性能比较

Fig.3 三相热解产物的特征重要性

Fig.4 单变量偏相关图

Fig.5 二元偏相关图

研究结论：

结果表明，RF算法是该数据集的最佳建模算法。采用学习曲线法和贝叶斯优化法对超参数进行调整，找到预测三相热解产物的最优模型(P > 0.81, R2 > 0.78)。通过麦秸热解实验预测，验证了优化模型的准确性和实用性(P > 0.84, R2 > 0.83)。FT和生物质化学元素对产物收率有影响。分析了热解收率的影响因素，验证了结构组成与热解参数的相互作用。

转自：“农科学术圈”微信公众号

如有侵权，请联系本站删除！