基于机器学习指导的磁性磺化生物基催化剂上优化配制混合非食用油料的一锅法生物柴油合成

《RSC Advances》:Machine learning-informed one-pot biodiesel synthesis from an optimally formulated mixed non-edible oil feedstock over magnetic sulfonated biobased catalyst

【字体: 大 中 小 】 时间:2025年12月20日 来源:RSC Advances 6.1

编辑推荐:

  国内和工业非食用油的处置是引起环境关注的主要源头。同样地,全球与能源相关的环境危机在过去十年中日益加剧。在这项研究中,由蓖麻油(CO)、废食用油(WCO)和棕榈油厂废水回收油(RO-POME)组成的三元混合非食用油(MNEO)被优化配制为生产生物柴油的原料。M

  
国内和工业非食用油的处置是引起环境关注的主要源头。同样地,全球与能源相关的环境危机在过去十年中日益加剧。在这项研究中,由蓖麻油(CO)、废食用油(WCO)和棕榈油厂废水回收油(RO-POME)组成的三元混合非食用油(MNEO)被优化配制为生产生物柴油的原料。MNEO的配制是通过D-最优混合设计辅助的智能优化实现的。家禽粪便(PD)被依次进行煅烧、磺化和磁化处理,以产生一种可重复使用的非均相催化剂。一锅法酯交换反应使用可解释的机器学习算法进行建模,包括支持向量回归(SVR)、人工神经网络(ANN)和极限梯度提升(XGB),随后结合了蝠鲼觅食优化(MRFO)。最佳配制的MNEO包含21.31%的WCO、18.45%的RO-POME和60.24%的CO,与单一油品相比具有改善的性质。MNEO的脂肪酸分析表明其含有29.96%(饱和)和64.7%(不饱和)脂肪酸。表征结果揭示了Fe3O4@CPD–SO4在促进MNEO酯交换反应方面的潜力。比较建模证明了ANN、SVR和XGB的令人满意的应用,而误差指数确定XGB在捕捉系统复杂的非线性动态方面是最佳的模型。特征排序确定甲醇-油摩尔比为预测生物柴油产率的最具影响力参数,突显了甲醇在生物柴油合成中的重要作用。此外,从XGB-MRFO获得的最佳反应温度、催化剂用量、甲醇-油比率和反应时间分别为50 °C、3.01 wt%、30.0和2.4 h,预测产率为99.68%,经实验验证为98.16%。研究得出的结论是,MNEO和家禽粪便可以成功用于可持续的生物柴油合成。
在全球高度关注能源使用引发的环境负面影响与气候变化的背景下,生物柴油因其自然、可再生且具备与常规柴油相似的品质,被视为内燃机中化石燃料的理想替代品。然而,生物柴油的可持续生产严重受阻于原料成本(占总工艺成本的80%以上)。以往多采用食用油作为原料,这引发了与民争食的担忧。尽管非食用油成本较低,但单一非食用油在氧化稳定性和冷流特性方面表现欠佳。此外,传统的均相催化剂分离困难且增加成本,而常规的非均相催化剂存在反应时间长、活性组分易流失的问题。再者,以往在混合油料时多采用试错法,不仅无法保证达到全局最优,且难以全面探索参数分布。因此,科学研究亟需在科学理论的指导下优化混合油料的关键性质,并开发高效且可回收的非均相催化剂。针对上述问题,研究人员开展了一项创新性研究,旨在通过智能优化配制三元混合非食用油,并利用废弃家禽粪便合成一种具有双功能的磁性非均相催化剂,结合最先进的可解释机器学习算法对该一锅法酯交换反应进行建模与优化。该研究最终成功在温和条件下实现了高纯度生物柴油的合成,验证了利用废弃物资源生产高质量生物燃料的可行性,这对于降低生物柴油生产成本、提升燃料品质以及推动废弃物资源化利用具有重要的科学与工程意义。该论文发表在《RSC Advances》期刊上。

在关键技术方法方面,研究人员主要采用了以下几种方法:首先利用D-最优混合设计对包含废食用油、棕榈油厂废水回收油和蓖麻油的三元混合非食用油原料进行优化配制,目标是最小化酸值、密度和碘值;随后将采集自当地的家禽粪便依次经过煅烧、磺化和共沉淀磁化处理,制备出具有双功能催化活性且易于磁分离的催化剂Fe3O4@CPD–SO4;之后基于中心复合设计(CCD)收集数据,利用支持向量回归、人工神经网络和极限梯度提升三种不同拓扑结构的机器学习算法对酯交换过程进行预测建模,并引入SHapley Additive Explanation进行敏感性特征分析,结合蝠鲼觅食优化算法(MRFO)对反应条件进行全局寻优;最后通过多种仪器对原料、催化剂及产物进行物理化学表征以验证其性能。

在研究结果部分,原文主要分为以下几个小标题进行阐述:

最优三元油料配方的配制与表征:通过基于方差分析的D-最优混合设计,研究人员确定了最佳混合比例为21.31% WCO、18.45% RO-POME和60.24% CO。研究发现,混合后的MNEO各项理化性质显著改善,如将RO-POME极高的游离脂肪酸降至4.404%,且脂肪酸分析表明饱和与不饱和脂肪酸比例适中,具备良好的燃烧特性和氧化稳定性。

催化剂表征:通过FTIR、SEM-EDX、XRD等表征证实了催化剂的成功合成。分析表明,热活化使层状结构重排构建了活性位点;磺化引入了酸性位;磁化引入了Fe–O键,赋予了催化剂磁性分离能力。微观形貌显示催化剂表面存在介孔与微孔结构,XRD确认了CaO(路易斯碱)和CaSO4(酸性基团)的共存,证明其具有促进一步法酯交换与酯化的双功能潜力。

生物柴油合成的机器学习建模:研究人员利用SVR、ANN和XGB对实验数据进行建模。通过误差评估指标证明三种模型均能有效捕捉系统的非线性动态,但XGB在预测精度和复杂度平衡上表现最佳,因此被确立为最优预测模型。

智能优化:结合XGB模型与MRFO算法,获得了最佳的反应条件组合:温度为50 °C,催化剂用量为3.01 wt%,甲醇-油摩尔比(MR)为30,反应时间为2.4 h。在此条件下,模型预测产率达99.68%,实验验证产率高达98.16%。

输入-输出可视化与特征评估:通过表面图和热图发现,甲醇-油摩尔比对产率的影响最显著,过量甲醇推动正向反应;而温度过高会导致甲醇挥发从而降低产率。SHAP分析进一步确认,甲醇-油摩尔比是影响生物柴油产率最核心的输入特征,反应时间的影响最小。

生物柴油表征:对合成出的生物柴油进行测试发现,其酸值降至0.33 mg KOH/g,十六烷值、运动粘度等关键燃料特性均满足ASTM D6751标准,表明MNEO甲酯非常适合作为内燃机的液体燃料。

催化剂可重用性与表征:在无需再生的连续使用下,催化剂在前四个循环中表现出令人满意的稳定性,产率仅微降15.77%。对失活催化剂的表征显示,活性位点被甘油分子堵塞以及部分活性元素的流失是导致其催化效能下降的主要原因。

在研究结论部分,研究人员总结道:本研究成功实施了一锅法酯交换反应。通过混合设计技术实现了三元混合非食用油料的优化配制(比例为WCO : RO-POME : CO = 21.31 : 18.45 : 60.24)。将家禽粪便依次经煅烧、磺化和磁化成功制备出具有双功能的催化剂。多种仪器表征验证了活化步骤的有效性,并证实了Fe3O4@CPD–SO4在一步法甲醇解反应中的巨大潜力。机器学习建模证实了XGB在捕捉系统非线性动态方面的优越性。SHAP特征分析指出甲醇-油摩尔比是最重要且最具影响力的参数。使用MRFO算法优化得到的最高产率为99.68%(实验验证为98.16 ± 0.11%),且理化性质分析确认了合成产物在内燃机中应用的适用性。综合而言,MNEO和家禽粪便可成功用于可持续生物柴油的合成。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号