基于COMBI算法与多目标灰狼优化器的微波辐射热解棕榈仁壳制取高性能生物炭的混合智能框架研究

本研究针对微波辐射辅助热解棕榈仁壳（PKS）这一复杂非线性过程，提出了一种创新的混合智能框架。该框架整合了COMBI（组合算法）机器学习建模、多目标灰狼优化器（MOGWO）和加权切比雪夫方法（WTM）多准则决策。研究成功构建了高精度预测模型（R2 > 0.99），揭示了反应时间、样品质量与氮气流速之间的关键权衡关系，并提供了十种可优先选择的操作方案。该框架为动态调整热解工艺以适应市场需求和能效目标提供了强大的决策支持工具，显著推进了生物质可持续增值的进程。

　　

随着全球范围内生物质废弃物的不断积累，如何将其转化为高价值产品，而非简单地视为环境负担，已成为实现可持续发展目标（SDGs），特别是负责任消费、气候行动和可负担清洁能源目标的关键挑战。棕榈仁壳（PKS）作为棕榈油工业产生的大量农业副产品，其碳含量丰富，但常常未被充分利用或管理不当，例如露天焚烧，这不仅浪费资源，还加剧了温室气体排放。传统的热解方法虽然能将生物质转化为生物炭和生物油等有价值产品，但其处理时间长、传热不均、能量转换效率低等缺点限制了其作为真正可持续的废物转化能源解决方案的可行性。

在此背景下，微波辅助热解（MAP）作为一种技术先进的替代方案日益受到关注。它通过体积加热确保快速均匀的热分解，不仅提高了过程效率，还改善了所得炭产品的质量和产率。然而，有效设计和优化MAP系统面临巨大挑战，因为该过程涉及多个工艺参数（如反应时间、样品质量、气体流速）与产物质量之间复杂的、固有的非线性相互作用。传统的经验或分析方法难以捕捉所涉及的复杂热化学现象，导致设计选择欠佳和性能结果难以预测。

为了突破这一瓶颈，一项发表在《Journal of Radiation Research and Applied Sciences》上的研究提出了一种创新的混合智能框架，旨在对PKS的微波辐射诱导热解过程进行整体建模、优化和操作方案的优先排序。该研究成功地弥合了预测建模、优化和决策支持之间的鸿沟，为生物质可持续增值提供了强有力的工具。

为开展此项研究，研究人员主要采用了以下几个关键技术方法：首先，研究基于已发表的关于PKS微波热解的实验数据集进行输入-输出分析，该数据集采用中心复合可旋转设计（CCRD）生成，涵盖了反应时间（RT）、样品质量（SM）和氮气流速（NGFR）三个关键参数的变化。其次，利用COMBI（组合算法）这一源自数据处理分组方法（GMDH）的机器学习算法，构建了用于预测热解关键响应（热值CV、固定碳含量FCC、挥发分含量VMC）的高精度代理模型。第三，将建立的代理模型嵌入多目标灰狼优化器（MOGWO）中，以同时最大化CV和FCC并最小化VMC为目标，生成帕累托最优解集，揭示目标间的权衡关系。最后，应用加权切比雪夫方法（WTM）这一多准则决策分析工具，对帕累托最优解进行排序和优先选择，生成适应不同技术目标和实际场景的决策方案。

机器学习建模结果

研究人员首先对数据进行了全面的分析，包括描述性统计和皮尔逊相关性分析。分析表明，反应时间（RT）与热值（CV）和固定碳含量（FCC）呈强正相关，与挥发分含量（VMC）呈强负相关，而样品质量（SM）和氮气流速（NGFR）的线性影响相对较弱，暗示其影响可能更为非线性。

随后，研究采用COMBI算法开发预测模型。模型性能评估显示，对于测试数据集，CV、FCC和VMC的预测均表现出色，决定系数R²均高于0.99，平均绝对百分比误差（MAPE）分别低至1.002%、1.285%和2.620%。这表明COMBI模型能够以极高的精度捕捉输入变量与输出响应之间的复杂关系，其预测性能显著优于先前研究中使用的响应面方法论（RSM）模型。通过比较实际值与预测值的分布（使用小提琴图和箱线图可视化），进一步证实了模型具有优异的预测准确性和泛化能力。

灵敏度分析结果清晰地揭示了各输入参数对输出目标的影响。反应时间（RT）被确定为最关键的因素，延长RT通常能显著提高CV和FCC，同时降低VMC。样品质量（SM）和氮气流速（NGFR）则作为重要的调节因子，其最佳范围取决于具体的目标优先级。例如，较高的CV（约31 MJ/kg）倾向于在较短的RT（约39-40分钟）、较小的SM（约21-23克）和较低的NGFR（约100 mL/min）下实现；而最大化FCC（高达67.6 wt%）则需要较长的RT（约42-43分钟）、较大的SM（约29-30克）和较高的NGFR（约140-155 mL/min）。

多目标优化结果

研究利用多目标灰狼优化器（MOGWO）对建立的COMBI代理模型进行优化，以同时最大化CV和FCC、最小化VMC为目标，生成了帕累托最优前沿。三维帕累托图直观地展示了三个目标之间的权衡关系：CV与FCC呈正相关，而两者均与VMC呈负相关。

对帕累托最优点的详细分析揭示了有趣的模式。约55%的最优解倾向于较短的反应时间（38.79–40.31分钟），表明在多数情况下，较短的反应时间能在三个目标间取得有利的权衡。样品质量（SM）的分布相对均匀，但略偏向较低值（约37%的解在21.378–24.252克之间），这可能与较小尺度下微波穿透更均匀有关。氮气流速（NGFR）则明显倾向于低至中等范围（约51%的解在100–118.17 mL/min），这有助于平衡热效率和产物质量。

与先前实验研究确定的最佳单点条件相比，本研究通过MOGWO获得的帕累托最优解在性能上有所提升，例如CV提高了约4%，FCC提高了约13%，VMC降低了约22%。更重要的是，本研究提供了一系列最优解，而非单一解，为根据不同优先级进行灵活选择奠定了基础。

多准则决策结果

为了将帕累托最优解转化为可操作的决策支持，研究采用了加权切比雪夫方法（WTM）对解决方案进行排序。研究设定了十种不同的决策场景（A至J），每种场景对应不同的权重分配策略，以反映不同的技术或实际优先级。

例如，场景A（权重全部分配给CV）产生了最高的CV（31.12 MJ/kg），适用于优先考虑生物炭燃料价值的场景。场景B（权重全部分配给FCC）产生了最高的FCC（67.78 wt%），适合生产用于土壤改良或高级活性炭的高碳产品。场景C（权重全部分配给VMC）实现了最低的VMC（28.23 wt%），适用于对挥发分排放有严格要求的场景。其他场景则探索了双目标或三目标之间的平衡（如场景D、E、F、G）以及某一目标占主导地位的情况（如场景H、I、J）。这些场景生动地展示了如何通过调整权重，使热解操作动态地适应不同的市场需求、能效目标和环境约束，凸显了该框架在实际应用中的灵活性和实用性。

本研究得出结论，成功开发并验证了一个集成了先进机器学习（COMBI）、多目标元启发式优化（MOGWO）和系统多准则决策（WTM）的创新混合框架，用于微波辐射诱导的棕榈仁壳热解过程的建模、优化和决策支持。该框架克服了以往研究中预测建模、优化和决策支持相互割裂的局限性。

研究的核心意义在于其强大的实际应用价值。通过COMBI算法建立的高精度代理模型（R² > 0.99），能够可靠地预测复杂热解过程的行为，显著减少了对昂贵且耗时的实验的依赖。通过MOGWO进行多目标优化，不仅揭示了关键工艺参数（反应时间、样品质量、氮气流速）与产物质量（热值、固定碳含量、挥发分含量）之间固有的、非线性的权衡关系，而且提供了一系列帕累托最优操作条件，其性能优于传统的单点优化方法。最后，通过WTM进行多准则决策分析，将帕累托最优解转化为十种具体的、可优先选择的决策场景，使生物能源从业者能够根据实时变化的市场需求、能源效率目标或环境法规，动态地调整热解操作策略。

这项研究为推进生物质可持续增值和向更清洁、更高效的热加工技术转型提供了重要的方法论支持和一个强大的决策支持工具包。未来研究可着眼于将该框架应用于其他类型的生物质或更大规模的反应器，并纳入经济成本和环境影响评估，以进一步增强其鲁棒性和可持续性。