《The Journal of Supercritical Fluids》：Modeling Supercritical Water Gasification of Municipal Waste: Machine Learning and Data Augmentation Approaches
编辑推荐：
基于超临界水气化有机市政固废的机器学习优化框架研究。提出融合蒙特卡洛增强与物理约束的机器学习模型，解决SCWG数据稀缺问题。实验表明最佳条件为450°C、16分钟时获得39.4%氢气产量，10分钟时实现氢碳比2.13。研究验证了数据增强与交叉验证在过程优化中的有效性。
A. 科森扎|B. 科森扎|S. 利马|F. 斯卡里亚利|G. 卡普托
帕勒莫大学工程系，科学大道7号大楼，90128，帕勒莫，PA，意大利
摘要
本研究提出了一个全面的机器学习框架，用于模拟城市固体废物（OFMSW）中有机成分的超临界水气化（SCWG）过程，以优化合成气的生产。系统性的实验活动在400-450°C的温度范围内、10-60分钟的反应时间以及0.050-0.085的OFMSW/H?O比例下进行了研究，得到了氢气浓度为12-44%、二氧化碳浓度为24-79%、一氧化碳浓度为2.8-15.7%、甲烷浓度为0-22%的气体组成。为了解决实验数据有限的问题，采用了针对SCWG的蒙特卡洛增强方法，结合了成分闭合、测量不确定性建模和无泄漏交叉验证技术，以预测多输出气体组成。该方法纳入了实验确定的不确定性，并生成了原始数据量10倍和100倍的增强数据集，同时确保了物理可行性（非负性、单位总和和范围限制）。随机森林（RF）和梯度提升（GB）算法被用于气体产量和组成的多输出建模。在物理约束的增强和交叉验证下，探索的操作窗口内获得了高精度，R2值从原始数据的0.445±0.327（RF）和0.549±0.324（GB）提高到了增强数据集的主要组分的0.96以上。过程优化确定了最佳条件：生产氢燃料（450°C，16分钟，产生39.4%的氢气和77.6%的气体产量）以及费托合成（450°C，10分钟，实现H?/CO比为2.13，气体产量为63.6%）。该框架成功地将有限的实验数据与可靠的过程优化相结合，为SCWG技术的工业化应用提供了经过验证的方法。需要对新的废物批次和配置进行独立验证，以建立更广泛的通用性。
章节摘录
引言
近年来，固体废物的管理问题日益突出，无论是工业来源还是城市来源，因为我们的生产系统仍未符合循环经济的原则。数十年的快速人口增长导致了废物总量的急剧增加和工业产出的提升。
2023年全球城市固体废物（MSW）约为21亿吨，预计到2050年将达到约38亿吨（联合国环境规划署数据）。
实验
在实验活动中，使用了一个Inconel 500毫升的实验室规模搅拌式批次反应器（由法国南锡/洛林的Separex SAS提供），来研究有机成分的城市固体废物（OFMSW）的超临界水气化过程。选择这种批次反应器是为了简化复杂的工艺，并使实验更加稳健和可重复。真实的城市固体废物（OFMSW）被切碎、均质化，并用去矿物质水稀释。气化测试在400°C的温度下进行。
实验结果
主要实验结果和产生的合成气特性在
表格中报告，其中气体组成以体积百分比表示。这些结果被用作反应器建模过程的输入。
图3总结了气化结果，强调了反应时间、温度和进料中OFMSW/H?O比例对总气体产量和氢气产量的影响。此外，图3(a)还显示了时间对残留液体总碳（TOC）的影响。
结论
本研究表明，一个基于物理原理的机器学习框架能够应对数据严重不足情况下的超临界水气化建模的核心挑战。基于实验确定的不确定性并受到热力学一致性约束的蒙特卡洛增强方法生成了统计上稳健的训练集，同时保持了有意义的过程关系——这在实验成本高且耗时的情况下具有优势。
利益冲突声明
作者披露了可能不恰当地影响或偏倚其工作的所有关系或利益，并声明他们没有利益冲突。
致谢
本研究是在“SUNGAS”项目的框架下进行的，该项目是P.O. F.E.S.R. Sicily 2014-2020计划行动1.1.5的一部分，同时也是国家恢复和韧性计划（NRRP）任务4组件2投资1.3的一部分，招标编号为1561，由意大利大学和研究部（MUR）于2022年11月10日发布；该项目得到了欧盟NextGeneration EU的资助，项目代码为PE0000021，特许令由意大利大学和研究部颁发，CUP编号为I53C22001450006，项目名称为“Network 4 Energy”。
