专栏名称: Carbon Research

An international multidisciplinary platform for communicating advances in fundamental and applied research on carbon.

Carbon Research | 机器学习辅助水生生物质生物炭的生产

Carbon Research · 公众号 · 大数据科技自媒体 · 2024-12-06 12:00

主要观点总结

本文旨在开发机器学习模型以预测水生生物质制备生物炭的性能。研究使用了586个数据点，基于10个原料和工艺参数，训练了5种树基模型，包括随机森林回归（RFR）和极限梯度提升（XGB）模型。结果表明RFR模型在预测多项指标上表现出最高预测精度，XGB模型在预测能量密度和氮回收程度上也表现优异。研究还揭示了生物炭性质与原料元素组成之间的显著关联，并通过迭代学习展示了模型的高效应用方法。

关键观点总结

关键观点1: 研究背景及目的

随着生物质转化为生物炭的研究增多，尤其是针对木质纤维素生物质的研究，而对水生生物质的研究尚属空白。本研究旨在填补这一空白，开发高效的机器学习模型以预测水生生物质制备生物炭的性能。

关键观点2: 数据收集与模型开发

研究收集了586个数据点，基于10个原料和工艺参数，训练了5种树基模型。其中包括随机森林回归（RFR）和极限梯度提升（XGB）模型，这两种模型在预测生物炭的多个指标上表现出较高的预测精度。

关键观点3: 研究结果

研究发现RFR模型在预测多项指标上表现出最高预测精度，R²值范围从0.89到0.98。XGB模型在预测能量密度和氮回收程度上也表现优异，R²值范围为0.84到0.94。此外，研究还通过偏依赖图分析揭示了生物炭性质与原料元素组成之间的显著关联。

关键观点4: 模型应用方法

本研究展示了通过迭代学习新数据模型的高效应用方法。通过向原始数据集加入少量新数据，可以获得对新数据的预测R²值大于0.97的结果，这显著节省了资源消耗和时间成本。

关键观点5: 研究意义与影响

本研究不仅填补了水生生物质生产生物炭建模研究的空白，还为机器学习模型的应用方法提供了新的视角和参考。此外，研究对于理解生物炭合成过程中的关键因素、优化生产流程以及降低资源消耗和时间成本具有重要意义。

正文

摘要

近年来，生物质转化为高品质生物炭的研究受到广泛关注，之前模型化研究多集中在木质纤维素生物质，针对水生生物质的研究尚无报道。两种生物质组成显著不同，前者主要由木质素、纤维素和半纤维素组成，而后者主要由蛋白质、脂类和碳水化合物组成，这些差异导致了不同的降解路径及反应产物分布。本研究旨在开发高效的机器学习模型以预测水生生物质制备生物炭性能，包括产量、能量回收效率、能量密度以及硫、氮含量等。本研究收集了586个数据点，基于10个原料和工艺参数，训练了5种树基模型。结果表明，随机森林回归（RFR）模型在预测水生生物质生物炭的多项指标上表现出最高的预测精度， R² 值范围为0.89到0.98。同样，极限梯度提升（XGB）模型在预测生物炭的能量密度和氮回收程度上也表现优异， R² 值范围为0.84到0.94。通过偏依赖图分析还揭示了生物炭性质与原料的元素组成（如氮、硫含量）之间的显著关联。此外，本研究展示了通过迭代学习新数据模型的高效应用方法。通过向原始数据集加入少量新数据，即可获得新数据的预测R²值大于0.97的结果，显著节省资源消耗和时间成本。这不仅填补了水生生物质生产生物炭建模研究的空白，也为机器学习模型的应用方法提供了新的视角和参考。

图文摘要

亮点

构建水热炭和热解炭性能预测的树基机器学习模型。
RFR和XGBoost模型表现出最佳预测能力，综合预测的R²指标超过0.85 。
机器学习模型具有较强的泛化能力，迭代运行后对新数据预测的R²指标高于 0.97。

要点图例

图1 生物炭生产的背景 (a) 和以往研究的局限性 (b)

图2 木质纤维素生物质和水生生物质原料特性的比较 (a) 和本研究中使用的机器学习框架 (b)

图3 水热炭属性的模型开发 : 水生生物质和水热炭的范式图 (a) ，水热炭产量的实际与预测图(b)，温度和时间对水热炭产量的影响(c)，氮回收率的实际与预测图 (d)，温度和生物质浓度对氮回收率的影响 (e) ，能量密度、能量回收和残留硫的实际与预测图 (f)-(h)

图4 水生生物质和热解炭的范式图 (a) ，通过极限梯度提升（ XG B ）模型获取的热解炭产量的实际与预测图 (b) ，热解温度和时间对热解炭产量的影响 (c) ，以及通过 XGB模型获取的氮回收率的实际与预测图 (d)

图5 XGB模型对热解炭产量的预测性能 (a) ，通过XGB模型获取的热解炭产量的实际与预测值 (b ) ，随机森林回归（ RFR ）模型对水热炭产量的预测性能 (c) ，通过RFR模型获取的水热炭的实际与预测值 (d)，通过重新学习新数据提高模型预测新数据的性能 (e)，机器学习模型辅助水生生物质生物炭（包括水热炭和热解炭）的生产 (f)

图6 机器学习模型通过迭代过程预测新数据的开发和应用

结论

在本研究中采用的树基算法中，RFR和XGB模型对预测生物炭产量及性质展现出优异的预测性能。
机器学习模型在预测和优化生物炭性能方面显著降低了资源消耗和时间成本。
研究揭示了生物炭的关键特性与原料成分（如氮、硫）和反应条件（温度、水生生物质浓度等）之间的显著关联特性。

作者简介

第一作者袁志龙

北京航空航天大学博士研究生，主要从事有机固废热化学处置研究。

通讯作者

孙轶斐

教授

海南大学环境科学与工程学院教授、博士生导师，国家级领军人才，日本京都大学工学博士。兼任固体废物领域顶刊Waste Manag.副主编，J. Hazard. Mater.、Biochar等SCI期刊编委，担任固体回收资源/燃料国际标准化组织ISO/TC300技术委员会、中国环境科学学会固体废物分会等十余个专业委员会副主任委员或委员。长期从事固体废物综合处置利用过程中新污染物控制技术开发、能源转化利用研究，主持建成多项示范工程。主持了国家自然科学基金企业/区域联合基金重点项目，国家重点研发计划等共20余项国家级项目。获天津市技术发明一等奖、中国产学研合作创新成果奖一等奖、环境保护科学技术二等奖。在Nat. Commun., Adv. Mater., Adv. Funct. Mater., Environ. Sci. Technol., ACS Catal.等期刊上发表论文100余篇，授权/转化国家发明专利20余件，公开国际PCT专利2件。

赞助基金项目：

国家自然科学基金项目（No. U21A20289, No

.U23B20166)

文章链接： https://doi.org/ 10. 1007/s44246-024-00169 -2

Carbon Research 简介