利用机器学习辅助提取富含糖类底物的微波水热转化产物中5-羟甲基糠醛的潜力

《Journal of Environmental Management》：Machine learning assisted tapping of the 5-hydroxymethylfurfural potential of microwave hydrothermal conversion of saccharide-rich substrates

HMF转化优化及机器学习应用研究

　　

Lvhan Zhu|Yanhong Wang|Zixiao Wu|Dongsheng Shen|Yuyang Long

浙江省固体废物处理与回收重点实验室，浙江省有色金属废物回收工程研究中心，浙江工商大学环境科学与工程学院，杭州310012，中国

摘要

高价值平台化合物5-羟甲基糠醛（HMF）的生物质转化引起了广泛关注，但其产率通常不稳定。为了解决这一问题，本研究重点优化了从富含糖类的底物中通过微波水热法转化HMF的条件，并结合机器学习方法来探索其转化潜力。结果表明，微波水热温度、停留时间和催化剂浓度直接影响HMF的产率，产率范围为0.95%至32.54%。通过反向传播人工神经网络优化，在大多数实验条件下HMF的产率得到提高（实验组中为86.4%）。其中，以菠萝皮为原料，在165°C和120 mmol/L催化剂条件下反应7分钟后，预测并优化得到了最高的HMF转化产率，达到37.0%，比优化前提高了16.4%，这一结果的最大增幅是现有研究的六倍多。同时，原料的复杂组成不仅影响了其HMF转化潜力，还影响了反应条件对系统的贡献。然而，对于大多数原料（如西瓜皮），各反应条件的贡献相似，范围为26.7%至36.9%。本研究为HMF的高效转化提供了科学依据，并展示了机器学习在生物质高价值加工中的应用前景。

引言

随着经济发展，能源需求逐渐增加，导致对不可再生化石燃料的依赖程度越来越高（Gani, 2021）。然而，化石燃料的日益枯竭使得绿色和可再生能源的开发变得迫切（Pandiyan et al., 2019）。生物质作为一种丰富且可再生的碳基资源，全球年产量超过1700亿吨（Zhao et al., 2023），被认为是最有前景的替代原料（Liu et al., 2024; Wang et al., 2023）。生物质可以通过化学反应转化为各种燃料、聚合物和化学品。其中，5-羟甲基糠醛（HMF）在生物炼制工业中被认为是一种高价值的化学品（Hou et al., 2021）。它具有高度的化学反应性，可以通过酰化、氧化和烷基化等反应进一步转化为其他高价值产品，如2,5-二甲基呋喃和乙酰丙酸（Chen et al., 2018; Pumrod et al., 2020）。然而，由于HMF的不稳定性，其生产和分离过程中仍存在许多挑战。

现有研究主要集中在HMF的转化上，包括高效催化剂和有效溶剂系统的开发（Fu et al., 2025; Xing et al., 2024）。同样，微波水热技术也因其低能耗、快速反应速率和提升HMF产率的效果而受到关注（Arpia et al., 2021; Yin et al., 2021）。尽管这些研究获得了较高的HMF产率，但从反应系统角度提高转化过程的稳定性以获得高产率的HMF尚未得到充分重视（Wang et al., 2023）。目前，常用的HMF分离方法包括原位提取、吸附和蒸馏来提高HMF的产率和纯度（Hu et al., 2020; Slak et al., 2022）。研究表明，添加NaCl等盐类可以通过盐析效应降低水相和有机相之间的互溶性，从而提高HMF在有机相中的分配系数，进而提高HMF的转化产率（Román-Leshkov et al., 2007）。此外，还设计了一种使用水蒸气作为携带剂的真空蒸汽蒸馏方法，[HMIM]HSO₄中果糖、葡萄糖和纤维素的HMF产率分别可达77.3%、76.1%和64.7%（Enomoto et al., 2018）。此外，还开发了用于葡萄糖一步转化为HMF的异相固体酸碱双功能催化剂，其HMF吸附能力与比表面积和微孔体积等因素有关（Niakan et al., 2023）。总之，上述研究探索了HMF的稳定转化过程及其影响因素，并取得了一些成果。然而，仍存在效率低、条件有限和分离效果不稳定等问题。此外，大多数实验都是在纯物质简单系统中进行的，缺乏对复杂废物系统的探索。因此，迫切需要新技术来实现HMF的高效转化和稳定分离，并进一步优化转化过程。

机器学习方法是一种利用其强大的分析和计算能力来探索数据之间潜在关系的新型工具（Li et al., 2024a）。该方法已应用于废物管理、航空航天和生物医学等多个领域（Atasoy, 2024; Dong et al., 2024; Guo et al., 2021）。在生物质资源利用领域的应用也取得了显著进展。例如，随机森林算法已被用于建立生物炭产率、生物质特性和热解条件之间的关系，准确预测了生物炭产率和碳含量（Zhu et al., 2019）。机器学习还可以根据生物质的物理化学性质和热解条件准确预测生物油、生物炭和热解气体的产率，为优化热解产物产率的控制提供了新的见解（Dong et al., 2023）。此外，该研究基于生物质组成和热解条件预测了生物油的产率、粘度、热值、H/C比和O/C比，为预测不同生物质组成在各种热解条件下的生物油特性提供了有价值的参考（Zhang et al., 2022）。总之，基于已知系统的实验结果，结合机器学习方法是一种高效且可行的实验方法，可用于预测和分析未知系统。

因此，本研究旨在通过微波水热处理和机器学习相结合的方法，从富含糖类的底物中转化HMF，深入探索HMF的转化潜力，为改进生物质废物的高价值技术和优化工艺提供参考。

材料与方法

本研究通过图1中描述的技术路线优化了从富含糖类的底物中转化HMF的产率，包括原料预处理、微波水热过程和机器学习。每种方法的详细信息如下。

从富含糖类的底物中转化HMF的产率差异分析

在具备强大的分析和预测能力之前，机器学习方法需要依赖大量的实验数据进行训练。因此，在现有的122组单因素实验和Box-Behnken设计（BBD）多因素实验数据的基础上，本研究进一步增加了32组富含糖类的底物实验数据，HMF产率的分布如图2所示。如图2a所示，不同类型底物之间的产率没有明显规律

结论

温度、停留时间和催化剂浓度直接影响HMF的产率，温度、AlCl₃浓度和HMF产率之间存在显著相关性（0.680??和0.450??）。基于实验数据训练建立的BPANN模型能够准确预测HMF的转化产率，86.4%的实验组实现了产率的提高。其中，菠萝皮在165°C下反应7分钟后获得了最高的HMF产率，为37.0%

CRediT作者贡献声明

Lvhan Zhu：撰写 – 原始草稿，软件，方法论，研究，数据整理。Yanhong Wang：撰写 – 原始草稿，方法论，研究。Zixiao Wu：验证，软件，形式分析。Dongsheng Shen：可视化，验证，资源。Yuyang Long：撰写 – 审稿与编辑，验证，监督，资源，项目管理，方法论，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所报告的工作。

致谢

作者感谢中国国家重点研发计划（2018YFD1100600）的支持。