基于Transformer深度学习模型的 entrained flow气化系统合成气组分预测研究

本研究针对 entrained flow气化过程中合成气组分(H2 /CO/CO2 /CH4 )预测难题，创新性采用FT-Transformer深度学习模型与随机森林(RF)、梯度提升机(GBM)等ML算法对比，发现FT-Transformer在CO( R2 =0.861)、CH4 (0.891)预测中表现最优且无过拟合，SHAP分析揭示O2 /coal ratio为关键变量，为工业级气化过程优化提供新工具。

　　

在能源转型与碳中和背景下，煤化工技术通过气化将低阶碳资源转化为合成气（主要含H₂
、CO、CO₂
、CH₄
），成为石油替代的重要途径。然而传统气化过程建模依赖计算流体力学(CFD)和热力学平衡模型，存在计算效率低、难以实时调控的瓶颈。尤其对于工业级entrained flow气化系统，合成气组分动态预测直接影响下游费托合成(Fischer-Tropsch)等工艺效率，但现有研究多局限于实验室尺度，且缺乏对H₂
/CO功能指标的系统预测。更关键的是，尽管机器学习(ML)在化工领域应用广泛，Transformer架构在吸附、排放预测等场景已展现优势，但其在气化过程建模的潜力尚未充分挖掘。

针对这些挑战，韩国国家研究基金会(NRF)资助团队在《Journal of Environmental Chemical Engineering》发表研究，首次将特征标记化-Transformer(FT-Transformer)深度学习模型应用于 pilot-scale entrained flow气化系统。研究人员以俄罗斯烟煤为原料，采集32小时连续运行的O₂
流量、煤浆流量及O₂
/coal比等核心参数，构建包含合成气组分与H₂
/CO、H₂
+CO功能指标的数据集。通过对比随机森林(RF)、梯度提升机(GBM)、极限梯度提升(XGBoost)三类ML模型与FT-Transformer的性能，并结合SHAP可解释性分析，揭示了输入变量的全局与局部影响机制。

关键技术方法
研究采用 pilot-scale entrained flow气化装置生成基础数据，通过剔除测量异常点处理数据质量。模型开发阶段，选用决定系数(R²
)和均方误差(MSE)评估性能，采用SHAP分析解析变量重要性。核心对比模型包括：基于决策树集成的RF、GBM、XGBoost三类传统ML算法，以及基于自注意力机制的FT-Transformer深度学习架构。

Bituminous coal特性分析
使用俄罗斯烟煤制备浓度55wt%、粘度600cP的煤水浆(CWS)，其表观密度1.3g/cm³
，工业分析与元素分析数据与文献[17,22]一致，确保数据可比性。

模型性能对比
FT-Transformer在CO(R²
=0.861,MSE=0.229)、CH₄
(0.891,0.026)和H₂
/CO(0.893,0.0)预测中均创最佳记录；而RF虽在H₂
(0.824)、CO₂
(0.854)和H₂
+CO(0.827)指标略优，但存在显著过拟合现象。值得注意的是，FT-Transformer所有预测目标的训练-测试集性能差异均<5%，展现卓越的泛化能力。

SHAP可解释性分析
全局分析显示O₂
/coal比对所有输出变量的累积贡献度达42-67%，尤其在CO₂
生成中起主导作用。局部解释发现，当O₂
/coal比>0.8时，其对CO生成的边际效应增强，这与气化过程从热解区向氧化区转变的机理一致。

结论与意义
该研究证实FT-Transformer在工业级气化过程建模中的三大优势：①处理小样本数据时仍保持高精度；②自动捕捉非线性特征交互，无需人工特征工程；③通过注意力机制天然支持变量重要性解析。相比传统ML，其将关键组分预测误差降低19-34%，且规避了过拟合风险。从应用角度看，该模型可实现H₂
/CO比的实时预测，为满足费托合成所需1.5-2.0的理想比例提供调控窗口期。研究团队建议后续扩大数据集以覆盖更多工况，并探索Transformer在气化全流程数字孪生中的应用。这些发现为煤基清洁能源系统的智能优化树立了新范式。