尽管具有潜力,但基于生物质的氢气生产的实际应用仍面临若干技术和经济障碍。生物质原料的固有变异性显著影响气化效率、氢气产量和温室气体排放。此外,由于原料性质、温度、蒸汽与生物质比例等因素之间的强相关性,准确预测合成气成分具有挑战性[3]。例如,Wang等人(2023年)的研究表明,气化炉温度和蒸汽与生物质比例的变化会显著影响H2/CO比例和总体合成气产量[3]。这些复杂性阻碍了传统动力学或平衡模型的泛化应用,需要大量的模型校准工作。
最近,机器学习(ML)作为一种强大的方法论出现,用于模拟复杂的气化系统,在捕捉操作参数与工艺输出之间的非线性关系方面表现出色[4]、[5]、[6]、[7]。先进的集成方法如Extra Trees、随机森林和梯度提升算法尤其具有前景。例如,Wang等人(2023年)使用Extra Trees回归模型预测了生物质化学循环气化的合成气输出,实现了高达0.88的R
2准确率[3]。同样,Kim等人(2023年)在大量流化床气化实验数据集上训练了随机森林和神经网络模型,并报告了氢气等产品的R
2值高达0.94[8]。这些研究表明,基于树的模型能够捕捉气化数据中的复杂非线性关系。ML模型的特征重要性分析还揭示了对气化结果产生变异性的关键因素。例如,研究发现生物质中的氧含量和当量比是影响氢气产量的最重要变量之一[9]。这类ML方法通过提供高精度预测和对工艺的宝贵见解,大大减少了实验工作量[8]。
为了将这些预测能力转化为可操作的系统改进,多目标优化(MOO)方法对于系统地解决生物质气化过程中产品提升与减排之间的权衡至关重要。近期研究中最关键的目标是在最大化氢气产量的同时最小化二氧化碳排放或相关成本。例如,Tavakoli等人(2024年)使用非支配排序遗传算法II(NSGA-II)和响应面方法(RSM)优化了一个氢气气化系统,同时实现了氢气产量的最大化并降低了二氧化碳排放和生产成本[10]。同样,Roy(2023年)应用多目标框架结合RSM优化了一个包含气化炉、燃料电池和涡轮机的生物质气化联合发电系统,实现了高效率和经济成本降低[11]。这些研究表明,优化合成气成分和工艺性能需要在对性能标准有竞争性的情况下对相互作用变量进行深入探索。
虽然RSM已被广泛用于气化系统的建模和优化[12]、[13]、[14]、[15]、[16]、[17],但它本质上依赖于预定义的多项式结构[18]。相比之下,ML模型通过直接从数据中学习,无需明确的函数形式,提供了更高的预测准确性和泛化能力。这使得ML特别适合用于模拟气化系统,因为在这些系统中,多个操作参数以非线性方式相互作用,影响氢气产量和二氧化碳排放。因此,本研究将ML模型整合到一个使用NSGA-II解决的多目标优化框架中。NSGA-II是一种基于帕累托的进化算法,以其处理冲突目标、非凸权衡和复杂解空间的稳健性而闻名,无需进行标量化[19]。重要的是,ML替代模型的整合显著增强了优化能力,作为复杂气化过程的高保真度、计算效率高的代理。通过用快速的ML预测替代耗时的实验或平衡模拟,该框架使进化算法能够进行数千次迭代评估,而计算负担几乎可以忽略不计[20]。这种混合方法不仅捕捉了生物质气化中复杂的输入-输出关系,还确保了对决策空间的严格探索,产生了一系列高质量的帕累托最优解。因此,ML和NSGA-II的结合代表了一种强大的、可扩展的方法,用于在可持续氢系统中平衡环境和性能目标。
提高生物质气化合成气质量的有效策略是原料混合。通过结合具有互补物理化学性质的不同生物质类型,可以调整元素组成——特别是氢碳(H/C)比例——从而提高产生的合成气的能量产量[21]。最近的研究展示了这种方法的多方面好处。AlNouss等人(2023年)探索了一个涉及多种原料选项和下游产品路径的全面生物质气化框架[22]。他们的优化结果显示,战略性的原料混合不仅提高了系统的经济效益,还减少了气化剂的需求。在泰国等农业废弃物季节性丰富的国家,原料优化变得越来越重要。例如,一项泰国联合发电厂的研究表明,优化本地原料(如木屑、树皮、纤维)的混合显著降低了电力成本和碳排放[23]。这些发现强调了将智能原料分配和混合策略纳入生物质气化系统设计的重要性,特别是在数据丰富和资源多样的环境中。
大多数先前的研究将ML、工艺优化和生物质供应考虑作为独立元素处理,限制了它们在指导实际应用中的有效性。尽管ML替代模型广泛用于合成气预测,但很少有研究将它们整合到一个统一的工作流程中,将技术性能与可持续性和物流联系起来。特别是,作为优化结果的生物质混合的作用虽然对提高合成气质量、降低二氧化碳生成和确保氢气生产中的原料灵活性至关重要,但受到的关注有限。
为了解决这些限制,本研究引入了一个新的基于ML的多阶段优化框架,整合了四个互补组件:(i)用于预测H2产量和CO2排放的ML替代模型;(ii)基于帕累托的多目标优化(MOO)来探索复杂的排放-产量权衡;(iii)数据包络分析(DEA)来排序帕累托最优解;以及(iv)区域供应链建模来确定具有经济效益的生物质混合策略。如表1中的基准比较所示,这项工作的独特新颖性在于这种系统的整合,它弥合了理论工艺优化与实际供应链物流之间的差距。通过直接将合成气成分目标与原料可用性和成本联系起来,该框架为可持续、经济可行的氢气生产奠定了技术基础。
工作流程概述
该研究采用了一个四阶段集成优化框架来提高生物质气化的性能及其相关供应链,如图1a所示,模型开发工作流程详细如图1b所示。
- •
阶段1:ML建模和预测 — 共有327个实验数据集被预处理并用于训练和验证三个机器学习回归模型,以预测H2产量和CO2排放。进行了SHapley加性解释(SHAP)分析
数据收集
生物质气化产生的氢气(H2)的实验数据是一个327 × 29的矩阵,代表327个观测值和29个变量。其中20个变量是连续的,9个是分类变量。为了便于分析,这些变量进一步分为三类:生物质特性、气化工艺条件以及合成气成分和工艺性能数据集。这些变量类别的详细划分如下:
结论
本研究开发了一个基于ML的多阶段优化框架,用于通过生物质气化实现可持续的氢气生产。构建了高准确度的替代模型,特别是Extra Trees回归器,用于预测H2产量和CO2排放,SHAP分析确认了关键的操作和原料影响。通过应用特征选择和可解释性方法,这些模型有效克服了数据集规模较小的限制,为