利用混合数据驱动的物理信息神经网络进行城市固体废物气化预测

《Engineering Applications of Artificial Intelligence》：Municipal solid waste gasification predictions using hybrid-data physics-informed neural networks

MSW气化产物组成与低位热值预测研究提出混合数据物理信息神经网络（PINN）方法，整合215组实验数据与Aspen Plus模拟数据，嵌入温度、水分及当量比热力学单调性约束，优化模型泛化能力与物理一致性，在CO、CO2、N2及LHV预测中R2均超0.95，显著优于传统机器学习模型。

　　随着全球对可持续能源系统的需求日益增长，城市固体废弃物（Municipal Solid Waste, MSW）的气化技术作为一种热化学转化路径，正逐渐成为解决环境问题和能源短缺的重要手段。MSW的气化过程不仅能够将废弃物转化为具有利用价值的合成气（syngas），还能有效减少温室气体排放，提高能源利用效率。然而，由于MSW成分复杂、反应过程非线性，以及其在不同操作条件下的不确定性，传统的数学建模方法难以准确预测气化产物的组成和热值。因此，如何结合物理规律与数据驱动方法，提升预测的准确性和可靠性，成为当前研究的热点。

本研究提出了一种基于物理指导的混合数据神经网络（Hybrid-Data Physics-Informed Neural Network, PINN）方法，旨在更有效地预测MSW气化过程中合成气的组成及下限热值（Lower Heating Value, LHV）。该方法融合了实验数据、Aspen Plus模拟数据以及热力学单调性约束，构建了一个具有物理一致性的预测框架。通过引入热力学单调性约束，该模型能够在缺乏充分实验数据的情况下，依然保持对物理现象的准确描述，从而提高预测的稳定性和泛化能力。

在模型构建过程中，研究人员首先利用Aspen Plus软件搭建了基于平衡化学反应和Peng-Robinson方程状态（Peng-Robinson Equation of State, PR-BM）的模拟模型，以生成与实验数据相匹配的合成数据。接着，通过将温度、水分含量和当量比（Equivalence Ratio, ER）的单调性约束嵌入到PINN的损失函数中，确保了模型在预测过程中符合热力学的基本规律。为了进一步提升模型的性能，研究团队设计了三种不同的模型场景：一种是纯数据驱动的PINN模型，另一种是加入了单调性约束的混合数据驱动PINN模型，第三种则是在混合数据驱动基础上，进一步引入了三个物理指导的损失项，形成更全面的物理约束体系。

通过对比实验，研究团队发现第三种模型（即混合数据驱动并结合三个物理指导损失项的PINN）在预测合成气组成和LHV方面表现尤为突出。其R2值分别达到了0.9600（二氧化碳CO）、0.9535（LHV）和0.9650（氮气N?），远高于传统的机器学习模型，如支持向量机（Support Vector Machine, SVM）、极端梯度提升（Extreme Gradient Boosting, XGB）等。这一结果表明，该混合数据驱动的物理指导模型在处理复杂非线性系统时具有显著优势，能够更准确地捕捉到MSW气化过程中的关键变量变化趋势。

此外，研究团队还强调了该模型在提升预测结果可解释性方面的贡献。与传统黑箱模型不同，PINN通过将物理约束直接嵌入到模型训练过程中，使得预测结果能够与实际物理过程保持一致。这种物理一致性不仅提高了模型的准确性，还增强了其在实际应用中的可信度。例如，在合成气组成预测中，模型能够识别出温度、水分含量和当量比对各组分浓度的影响趋势，从而为工艺优化和系统设计提供更加可靠的依据。

在数据处理方面，研究团队采用了分层的70/15/15数据划分策略，确保了训练集、验证集和测试集在实验与模拟数据之间保持一致的比例。这种划分方式有助于避免数据偏差，提高模型在不同操作条件下的泛化能力。同时，所有模型的预处理步骤均基于训练集进行调整，确保了模型在验证和测试阶段的公平性。这种数据处理方式不仅提高了模型的预测性能，还增强了其在实际应用中的适应性。

为了进一步验证模型的有效性，研究团队还对不同模型进行了性能对比分析。在相同的实验条件下，混合数据驱动的PINN（3λ）在多个关键指标上均优于传统机器学习模型。例如，在合成气组成预测中，该模型的R2值显著高于SVM和XGB模型，表明其在捕捉复杂非线性关系方面具有更强的能力。同时，模型在误差范围内的表现也优于其他模型，特别是在±5%、±10%和±15%的误差区间内，测试点的分布更加均匀，进一步证明了模型的鲁棒性和稳定性。

值得注意的是，研究团队在模型设计中特别关注了操作条件的限制。所有模型的训练和测试数据均限定在观察到的操作窗口内，避免了模型在未见操作条件下的过拟合问题。这种设计不仅确保了模型的预测结果具有实际意义，还为后续的模型扩展和应用提供了坚实的基础。通过将实验数据与模拟数据进行匹配，研究团队能够在一定程度上弥补实验数据的不足，同时提高模型的预测精度。

在实际应用中，MSW气化技术的推广面临诸多挑战，包括如何提高气化效率、降低排放、优化合成气成分等。而本研究提出的混合数据驱动的物理指导模型，为这些问题提供了新的解决思路。通过结合实验数据与模拟数据，该模型能够在不同操作条件下提供可靠的预测结果，为气化工艺的优化和可持续能源系统的构建提供有力支持。此外，该模型还能够为政策制定者和工程技术人员提供科学依据，帮助他们更好地理解和应用MSW气化技术。

综上所述，本研究通过引入物理指导机制，构建了一个混合数据驱动的神经网络模型，有效提升了MSW气化过程中合成气组成和LHV的预测精度。该模型不仅在技术层面具有创新性，还在实际应用中展现出良好的前景。未来，随着更多实验数据的积累和模型的进一步优化，该方法有望在更大范围内推广，为实现可持续能源系统提供更加可靠的技术支持。同时，研究团队也指出，尽管该模型在当前条件下表现出色，但在实际应用中仍需进一步验证其在不同环境和操作条件下的适应性，以及如何更好地整合多源数据以提高模型的泛化能力。这些方向将成为后续研究的重要内容。