机器学习模型在皂脚分离优化中的不确定性评估：基于XGBoost与SVM的多目标决策框架

本研究针对皂脚分离过程中测量数据有限和输入不确定性问题，开发了集成XGBoost、SVM和响应面法(RSM)的计算框架。通过评估数据可用性、模型复杂度、预测精度和输入敏感性，发现XGBoost对COD和Porg 预测最优，SVM对AN预测最佳。结合k-means聚类和全局敏感性分析(GSA)，揭示了油中磷含量对污染物输出的关键影响，为工业过程优化提供了数据高效的工具。

　　

在植物油精炼过程中，皂脚分离是一个关键但环境负担重的环节，其产生的酸性废水中含有高浓度有机磷(P_org
)和化学需氧量(COD)污染物。传统响应面法(RSM)模型预测误差高达20%，且忽视实际工厂运行参数的不确定性。随着植物油需求增长（特别是生物燃料领域），开发精准预测模型对实现可持续发展目标(SDGs)中的清洁水体和气候行动至关重要。

针对这一挑战，研究人员构建了融合机器学习(ML)和传统RSM的创新框架。通过5年持续监测（68组实验）和短期实验设计（27组）数据，系统评估了极端梯度提升(XGBoost)、支持向量机(SVM)和随机森林(RF)在预测P_org
、COD和酸值(AN)方面的性能。研究采用蒙特卡洛模拟和k-means聚类划分输入域，结合非支配排序遗传算法(NSGA-II)进行多目标优化，并首次在皂脚分离领域应用方差分解的全局敏感性分析(GSA)。

关键技术包括：1）基于5年工厂运行数据的机器学习模型训练；2）Hartley实验设计获取RSM模型参数；3）Sobol指数计算评估输入参数敏感性；4）NSGA-II算法实现确定性/随机性多目标优化。

研究结果显示：

1. 模型性能比较
   XGBoost对COD（R²
   =0.990）和P_org
   （R²
   =0.989）预测最优，SVM对AN（R²
   =0.990）表现最佳。相比RSM模型，长期数据训练的ML模型将P_org
   预测误差从26.78降至13.87 mg P/L。

2. 输入域聚类分析
   通过k-means识别出RSM可替代ML的工况：高磷含量（207.62 mg P/L）和高NaOH流量（3.23 kg/h）时，SVM与RSM的P_org
   预测差异仅5.8%。

3. 敏感性分析
   GSA揭示油中磷含量是P_org
   （S_Ti
   =0.67）、COD和AN的主导因素，而传统认为关键的工艺参数（如分裂温度Tr）影响较弱（S_Ti
   ≤0.03）。

4. 优化结果
   随机优化考虑磷含量不确定性（N(185,10) mg/kg）后，P_org
   和COD分别比确定性方案恶化3.2%和2.5%，凸显精确测定磷含量的必要性。

这项研究创新性地建立了数据需求与模型性能的量化关系，为工业过程优化提供了方法论范式。其意义在于：
1）首次证明在特定输入域内，简单RSM可替代复杂ML模型，降低实施门槛；
2）纠正了传统认知，证明原料特性（磷含量）比工艺参数对污染输出的影响更大；
3）开发的框架可扩展至其他数据稀缺的工业过程优化。未来研究可结合生成对抗网络(GAN)增强数据，并探索混合模型在跨规模装置的应用潜力。