Carbon Research | 机器学习辅助水生生物质生物炭的生产

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)

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

文章链接：https://doi.org/10.1007/s44246-024-00169-2   

Carbon Research 简介