通过可解释的机器学习方法，利用高热值和工艺参数预测生物质热液液化产生的生物原油产量

《BioEnergy Research》：Prediction of Biocrude Oil Yield From Biomass Hydrothermal Liquefaction Via Interpretable Machine Learning Using Higher Heating Value and Process Parameters

可持续能源需求推动生物柴油生产优化，本研究开发并验证了七种机器学习模型预测水热液化（HTL）产生物柴油的效率，采用650组生物质样本数据（含元素组成和HHV）。XGBoost模型表现最优（R2=0.97，RMSE=0.033），结合SHAP和SAGE分析揭示HHV、碳含量、压力为关键预测因子，为反应器设计和原料筛选提供数据驱动框架，证实可解释机器学习在可再生能源技术中的潜力。

　　

摘要

随着对可持续能源需求的不断增长，需要高效且准确的方法来优化生物燃料的生产过程。水热液化（HTL）是一种有前景的热化学技术，可以将湿生物质转化为生物原油，但在不同原料和条件下估算产量仍然具有挑战性。在这项研究中，我们开发并测试了一系列机器学习模型，利用包含650个生物质样本及其工艺参数（包括元素组成和高位热值（HHV）的全面数据集，来预测HTL过程中的生物原油产量。值得注意的是，这是首次在该规模上将HHV作为预测特征纳入研究。我们通过贝叶斯超参数调整优化了七种机器学习模型（包括XGBoost、随机森林和高斯过程回归器），并采用十折交叉验证结合保留测试集的双重验证策略对它们进行了评估。其中，XGBoost的表现最佳（R2 = 0.97，RMSE = 0.033）。为确保模型的可解释性，我们应用了SHAP和SAGE技术，发现HHV、碳含量和压力是影响产量的关键因素。这些结果为改进生物油生产系统的反应器设计和原料选择提供了一个透明、基于数据的框架。该研究强调了可解释机器学习在提升可再生燃料技术预测能力方面的潜力。