基于集成学习的生物质与煤共热解多目标优化：经济与环境协同提升路径

针对生物质与煤共热解(BCP)过程中经济与环境性能难以协同优化的难题，研究团队创新性构建集成学习(EL)框架，通过CAB模型精准预测产物利润(5290.85 CNY·t?1 )与CO2 排放(7.45 kg·t?1 )，结合SHAP和RVEA算法实现多目标优化，为清洁能源技术开发提供智能决策范式。

　　

随着全球碳中和进程加速，生物质作为第四大能源载体，其热化学转化技术备受关注。生物质与煤共热解(BCP)技术虽能实现资源互补并减少化石能源依赖，但面临产物品质不稳定、CO₂
排放激增等瓶颈。传统实验方法耗时耗力，而常规过程模拟又难以捕捉原料特性与反应条件的复杂非线性关系。如何平衡BCP过程的经济效益与环境影响，成为制约该技术工业化的关键难题。

中国的研究团队在《Chinese Journal of Chemical Engineering》发表的研究中，开创性地将集成学习(Ensemble Learning, EL)引入BCP过程优化。通过整合六种集成算法构建预测模型，采用Optuna框架自动调参，结合SHAP值解析与RVEA多目标优化，最终实现产物利润提升与碳排放降低的双赢。

研究主要采用五大技术路径：1)基于文献挖掘构建包含生物质/煤特性、热解条件等特征的数据库；2)运用Pearson/Spearman相关系数筛选关键变量；3)开发六种EL模型（含CatBoost/CAB等）并进行五折交叉验证；4)采用SHAP和PDP方法解析特征贡献度；5)耦合RVEA算法进行多目标优化。

数据可视化分析揭示原料水分含量与挥发分呈强负相关，而热解温度与CO₂
排放呈正指数关系。模型性能比较显示CAB模型预测精度最高（R²

0.92），其SHAP分析表明煤固定碳含量对利润贡献最大（权重32.7%），而生物质灰分每增加1%会导致CO₂
排放上升0.8 kg·t^?1
。多目标优化结果表明，在650°C、生物质掺混比40%条件下，可获得最优经济环境效益组合。

该研究突破传统BCP优化方法的局限，首次实现：1) 机器学习驱动的BCP全过程参数智能映射；2) 基于SHAP的可解释性分析揭示关键调控靶点；3) RVEA算法指导下的多目标协同优化。所获最优工况较传统工艺提升利润12.3%，同时降低CO₂
排放29.8%，为生物质清洁利用提供可量化的技术方案。研究团队特别指出，该方法可扩展至其他多相反应体系优化，但未来需在工业装置上验证模型泛化能力。这项工作标志着热化学转化领域向"数据驱动+机理指导"的新型研究范式迈出关键一步。