基于可解释树状机器学习与鳐鱼觅食优化的智能油料配方设计及生物柴油增效生产研究

《Biomass and Bioenergy》：Explainable tree-based machine learning modeling and optimization for intelligent oil feedstock formulation towards enhanced biodiesel production

本文创新性地将鳐鱼觅食优化算法（MRFO）与树状机器学习模型（RF/XGB）相结合，成功构建了废植物油（WVO）、蓖麻籽油（CSO）和印楝籽油（NSO）的三元混合油优化配方（55.01%:15%:29.99%），并通过SHAP可解释性分析揭示了WVO在混合油中的主导作用。经XGB模型（R2=0.9977）优化后的生物柴油产率达96.4%，为低成本非食用油脂资源的高值化利用提供了智能决策方案。

　　

章节精选

材料

废植物油（WVO）采集自尼日利亚贝宁城当地餐厅，印楝籽油和蓖麻籽油购自尼日尔州的试剂供应商。生物柴油生产过程中使用的氢氧化钾、甲醇、乙醇、苯和硫酸均为分析纯级别，无需预先纯化。鉴于苯的使用危险性，实验全程采取严格安全防护措施，包括通风橱操作、防毒面具佩戴和防护服穿戴。

混合油配方的机器学习建模

两种机器学习模型（随机森林RF和极端梯度提升XGB）通过D-最优混料设计获得的数据进行训练，并对其超参数进行优化，结果如表3所示。在树状机器学习算法中，最大深度（max_depth）是关键超参数，它决定了集成学习中每棵决策树的深度。决策树越深，模型越能捕捉复杂特征以进行精准预测。优化max_depth值至关重要，因其能确保模型在保持鲁棒性的同时避免过拟合。

结论

采用生物柴油应对日益增长的能源需求仍面临挑战，其中大规模获取非食用油脂是关键难题。本研究通过智能优化方法构建三元非食用混合油配方，旨在协同提升生物柴油品质与产率。优化配方可充分发挥各组分油料的优势特性，为可持续生物燃料生产提供新策略。