基于人工神经网络与粒子群算法的生物炭产量与性能预测优化模型研究

《Journal of Analytical and Applied Pyrolysis》：Artificial Neural Network Modeling for Prediction and Optimization of Biochar Yield and Properties

本综述提出了一种结合人工神经网络（ANN）与粒子群优化（PSO）的创新框架，通过多目标优化实现生物炭产量、高热值（HHV2）和碳含量（C2）的精准预测。该研究填补了生物炭多目标设计领域的空白，为可持续能源与碳封存应用提供了数据驱动解决方案。

　　

数据收集：原料特性与热解条件

所有实验数据均来自同一实验室的 historical 生物炭生产记录，采用统一的分析设备以确保数据一致性。热解过程在电炉（型号 N7/H/B410）中进行，温度范围 200–600°C，停留时间 20–60 分钟，原料涵盖农业与林业废弃物（如谷壳、稻壳、辣椒梗等）。

热解数据集基础统计概览

图4展示了原料特性、热解条件及生物炭性质的分布规律。原料元素组成波动较小（碳含量中位数约45%），但工业分析参数差异显著：挥发分跨度达20%–80%，水分接近0%–30%，灰分与固定碳分布呈现双峰特征。热解温度与停留时间呈均匀分布，而生物炭的碳含量（C₂）与高热值（HHV₂）随温度升高呈现先增后降的非线性趋势。

结论

本研究证明，结合粒子群优化（PSO）的前馈人工神经网络（ANN）能精准预测多类生物质原料的生物炭关键指标。包含全部11个输入参数的模型1综合表现最优（整体R2=0.909），而仅需3个输入参数（温度、停留时间、初始HHV）的模型4仍保持良好预测力（R2=0.870）。特征重要性分析揭示热解温度与挥发分是核心驱动因子，PSO算法进一步给出了农业残余物（509°C/52分钟）与木质生物质（405°C/85分钟）的定制化优化条件。

作者声明

我们确认本文为原创成果，未曾在其他平台发表。所有署名作者均已审阅并同意稿件内容，通讯作者将负责投稿全过程沟通。

贡献者角色说明

Kwang Cheol Oh：审校与验证；Sunyong Park：资源协调与数据分析；Dae Hyun Kim：基金支持与方案设计；Padam Prasad Paudel：实验执行与论文撰写。

利益冲突声明

作者声明无任何潜在利益冲突影响本研究结果。

致谢

本研究获韩国科学技术信息通信部（MSIT）智能地方人才计划（IITP-2025-RS-2023-00260267）及教育部基础研究基金（NRF-2021-RS060130）支持。