《Journal of Analytical and Applied Pyrolysis》:An Explainable Machine Learning Framework for Predicting and Optimizing Torrefaction Performance of Lignocellulosic Biomass for High-Quality Solid Biofuel Production
编辑推荐:
•CatBoost 以高精度预测了热解炭化性能。•预测的热解炭化指数为68.87%(MY)、75.67%(ED)和1.0988(EDF)。•XAI识别出HHV、FC、VM和温度为关键影响因素。•优化分析确定了最佳条件为240 °C和10?分钟。•实验验证表明,使用木质废弃物生
- •
CatBoost 以高精度预测了热解炭化性能。
- •
预测的热解炭化指数为68.87%(MY)、75.67%(ED)和1.0988(EDF)。
- •
XAI识别出HHV、FC、VM和温度为关键影响因素。
- •
优化分析确定了最佳条件为240 °C和10?分钟。
- •
实验验证表明,使用木质废弃物生物质时误差较低(<2%)。
引言
全球经济、贸易和社会的进步在很大程度上依赖于充足的能源资源的供应,而这又带来了重大的环境和能源控制问题。一方面,化石燃料消耗的不断攀升已使化石燃料储备日益枯竭,另一方面,也对环境造成了严重破坏 [1]。面对所面临的挑战,研究人员越来越多地将注意力转向使用可持续和环保的替代能源,而生物质已被公认为全球顶级可再生能源之一。此外,与传统的能源利用方式相比,生物质已被证明是一种有效降低环境影响的途径 [2]。木质纤维生物质的丰富储量及其作为可再生碳源的作用,使其成为一种极具价值的资源,与其他可再生能源不同,生物质可被转化为固体、液体、气体和高附加值化学品 [3]。虽然生物质可以直接使用,但它也存在一些缺点:水分含量高、能量密度低、质量不稳定,与其他材料相比热值(HHV)较低、易快速腐烂、难以研磨,且成分复杂 [4]。原始生物质需要先进行预处理,以提高其燃料质量和能量含量,从而解决这些问题。已研究了许多预处理策略,其中热化学方法如热解炭化、气化、液化、碳化和热解最为广泛 [5]。
热解炭化是一种应用于生物质的热化学处理技术,旨在提高其作为固体燃料的适用性 [6]。该过程在缺氧环境下于常压下进行,通常温度范围为200-300 °C [7]、[8]。与其他预处理技术相比,热解炭化的能效较高且运行条件稳定。它还通过降低H/C和O/C比、改善可磨性、降低储存和运输成本、减少粒径减小需求、降低固有水分含量以及促进有害化合物的去除来改善生物质特性。由于这些优势,热解炭化被认为是一种将原始生物质升级为更高质量燃料的有前景的方法 [9]、[10]。
热解炭化生物质的特性和性能受生物质固有属性和热解炭化操作条件的共同影响,其相对重要性取决于预期用途 [11]。主要因素包括全分析和元素组成、HHV以及性能指标,后者包括质量收率、能量收率和能量密度 [12]。元素组成非常重要,因为它提供了固体燃料能量含量和燃烧效率的必要数据 [13]。与元素分析需要专门仪器和复杂程序相比,全分析可以使用标准实验室设备和简单技术更简便地完成 [14]。根据一些研究人员的说法,调和方法差异的最佳途径是利用相关性从全分析数据推导出元素组成,因此这种方法是一种更简单但有效的燃料表征方法 [15]。
HHV对生物质能转化系统的设计和运行有重大影响。尽管氧弹热量计是测量HHV最精确的设备,但它通常昂贵且耗时 [16]。为了评估热解炭化性能,研究人员经常依赖质量收率、能量收率和能量密度等指数 [16]。HHV代表燃料质量,质量收率(MY)表示热解炭化后保留的生物质比例,而能量收率(EY)反映热解炭化固体中保留的能量。因此,HHV、MY和EY为评估热解炭化性能提供了互补信息 [17]。热解炭化温度的主要影响是质量收率的下降,这是强化化学反应的对冲反应,而能量密度上升是因为更多碳保留在固体部分 [18]。然而,使用传统相关方法来描述生物质组成、操作条件和热解炭化性能之间复杂相互作用是很困难的。利用机器学习(ML)方法可以作为从实验收集的实验数据中观察到的非线性相关关系的理想替代品,同时也能够快速预测生物质的特性。基于机器学习的建模发展正日益受到关注,作为更好理解和优化热解炭化过程的手段。
机器学习在生物质热解炭化中的早期应用主要围绕预测某些燃料特性或特定过程输出。根据Sakheta等人的研究,SVM-SA、MARS和RF被开发用于预测木质生物质的HHV,研究发现优化后的SVM模型与传统的机器学习方法相比具有最高的准确性 [19]。在Onsree等人的工作中,使用KRR和GTB模型来预测生物质的固体收率,并证明温度等过程条件和停留时间是影响热解炭化性能的关键因素 [20]。Chen等人利用GTB、RF和SVM模型预测固体收率和HHV,其中GTB不仅在预测准确性方面优于其他模型,还强调了生物质理化特性的重要性 [21]。Chen和Felix等人比较了ANN和ANFIS方法在生物质特性建模中的应用,他们得出结论,ANN模型展示了其描绘进料和热解炭化之间非线性依赖关系的能力,无论是在组成还是响应方面 [22]。近期采用梯度提升模型并结合SHAP分析的研究不仅引入了可解释性,还通过识别温度和生物质组成作为影响生物炭质量的主要因素,显著推进了这一领域 [23]。详细的文献综述见表1。同样,机器学习方法已被应用于预测产品收率,展示了数据驱动方法在优化过程方面的能力。
尽管取得了这些进展,但先前的研究探讨了不同的热解炭化相关预测目标,包括HHV、质量收率、能量收率和严重程度相关参数 [24]、[25]、[26]。然而,同时预测多个热解炭化性能指标,并结合可解释分析、过程优化和实验验证的研究仍然相对有限。本研究开发了一个全面的CatBoost框架,利用元素组成、全分析、HHV和操作条件作为输入,同时预测质量收率、能量收率和能量密度因子。此外,还集成了可解释人工智能(XAI)技术,包括特征重要性、部分依赖图(PDP)、个体条件期望(ICE)和SHAP(SHapley加性解释),以提高CatBoost模型的可解释性。特征重要性用于识别输入变量的相对贡献,而PDP和ICE用于检查单个变量与模型预测之间的关系。SHAP分析进一步用于量化单个特征对预测输出的贡献幅度和方向,从而为控制热解炭化性能的关键变量提供见解。所开发的框架还支持热解炭化条件的约束优化,并使用木质废弃物生物质进行了实验验证,展示了其作为智能生物质热解炭化设计的可解释且可靠工具的巨大潜力。本研究范围侧重于利用生物质特性和操作条件预测和优化木质纤维生物质的热解炭化性能,随后使用木质废弃物生物质进行实验验证。本研究的主要目标是:(i) 开发机器学习模型,用于同时预测生物质热解炭化过程中的质量收率、能量收率和能量密度因子。(ii) 识别最佳模型以捕捉生物质属性与热解炭化条件之间的非线性关系。(iii) 实施XAI技术,包括特征重要性、PDP、ICE和SHAP,以解释模型预测并识别影响热解炭化性能的关键变量。(iv) 开发热解炭化优化的机器学习框架,并使用木质废弃物生物质对预测结果进行实验验证。
各章节摘要
数据集构建
本研究使用的数据集由研究中的全面文献综述构建而成。实验数据来源于在Scopus索引的同行评审期刊上发表的文章,涵盖多样化的生物质原料和热解炭化操作参数。所汇编的数据集包括元素组成(C、H、N、S和O)、全组成(挥发分、固定碳、水分含量和灰分含量)、HHV、质量收率、能量密度
特征和目标的统计分析描述
图1以图形格式提供了机器学习模型开发中所有输入和输出变量的统计离散度概述。根据图1(a),元素组成参数展示了生物质原料的高度变异性。样品中的碳含量范围为32.8至75.34?wt.%,平均值为53.97?wt.%,而氧气含量范围为10.6至61.26?wt.%,平均含量为37.12?wt.%。
结论
本研究开发了一个可解释的机器学习框架,用于预测和优化生物质热解炭化性能,数据集收集自已发表的研究。在所开发的模型中,CatBoost(CAT)模型对质量收率、能量收率和能量密度因子实现了最高的预测准确性。XAI分析揭示HHV、固定碳、挥发分和热解炭化温度是控制热解炭化性能的最具影响力的变量。约束
CRediT作者贡献声明
Chinta Sankar Rao: 撰写——审阅与编辑,验证,项目管理,形式化分析,概念化。Ramesh Potnuri: 撰写——审阅与编辑,撰写——原始稿,可视化,调查,数据整理,概念化。Rangabhashiyam Selvasembian: 撰写——审阅与编辑,软件,资源,方法论,形式化分析,概念化。
利益冲突声明
作者声明,他们没有已知的会可能影响本文所报告工作的竞争性经济利益或个人关系。
Ramesh Potnuri|Chinta Sankar Rao|Rangabhashiyam Selvasembian