混合规则描述符与梯度提升决策树联用预测生物质-塑料共热解协同效应的热重曲线

针对有机固废共热解过程中热重(TG)曲线获取成本高、传统动力学模型精度不足的问题，本研究创新性地将混合规则描述符与梯度提升决策树(GBDT)模型结合，构建了GBDT-h混合机器学习框架。该模型在外部验证中取得R2=0.998的优异预测精度，揭示了棉秆(CS)与地膜(MF)共热解降低活化能(E)的协同机制，为有机固废资源化提供了智能化分析工具。

　　

在全球面临化石能源枯竭与温室气体排放的双重压力下，如何高效处理每年产生的数十亿吨有机固体废弃物成为亟待解决的难题。以中国为例，仅一年产生的固体废弃物就相当于8亿吨标准煤的能量潜力，但传统填埋或焚烧方式不仅造成严重污染，其经济可行性也备受质疑。在这一背景下，共热解技术因其能将生物质与塑料废弃物协同转化为生物油、生物炭和燃料气而备受关注。然而，这一过程的核心分析工具——热重(TG)曲线的获取却面临实验周期长、成本高的瓶颈，而现有动力学模型又难以准确捕捉复杂协同效应。

南京工业大学的研究团队独辟蹊径，将物理规则与人工智能相结合，开发出新型混合机器学习模型。研究以新疆棉区典型的棉秆(CS)与地膜(MF)混合物为对象，通过热重实验发现：当MF比例增加时，生物油产率显著提升至81.4wt%，但会轻微降低生物炭产量；更重要的是，共热解使反应活化能(E)较单独热解降低达30%，证实了显著的协同效应。为突破传统动力学模型仅能预测趋势的局限，研究人员创新性地设计"混合规则描述符"来捕捉协同作用的主要特征，再与梯度提升决策树(GBDT)算法融合构建GBDT_-h模型。该模型在预测TG曲线时展现出惊人精度，外部验证的R²达0.998，误差率(MAPE)仅7.076%，较单一GBDT模型有显著提升。

关键技术方面，研究采用热重分析仪获取不同配比CS-MF混合物的TG曲线，通过Flynn-Wall-Ozawa等动力学方法计算活化能参数，并定义理论热重(TG_theory)与实际热重的差值(△TG)量化协同效应。机器学习环节重点优化了温度、加热速率和混合比例等多参数耦合关系，避免以往研究中参数固化导致的过拟合问题。

研究结果
材料特性
CS与MF的工业分析和元素分析显示，MF具有更高挥发分(98.34wt%)和碳含量(84.62wt%)，这解释了其热解时产生更多轻质烃类的特性。

产物分布规律
当CS比例从0增至100wt%时，液相产物从81.40wt%锐减至40.21wt%，而气相产物和固相产物分别增长至35.82wt%和24.02wt%。热解气热值随MF增加而提升，最高达42.18MJ/m³。

热动力学分析
TG曲线显示CS-MF共热解存在两个明显失重阶段。动力学计算表明，共热解使第一阶段活化能从214.6kJ/mol降至186.3kJ/mol，证实MF能促进CS中纤维素/半纤维素的低温分解。

机器学习预测
GBDT_-h模型在测试集的RMSE(1.732)显著低于单一GBDT模型(3.541)，其创新性地将反应温度、转化率和混合比例作为核心描述符，通过SHAP分析揭示温度对TG值贡献度高达73.8%。

结论与展望
该研究不仅系统阐释了CS-MF共热解降低活化能的协同机制，更开创性地建立了"规则描述符+机器学习"的混合建模范式。相比传统ANN模型仅能实现"黑箱预测"，GBDT_-h模型兼具物理可解释性与预测精度，为有机固废热化学转化提供了普适性分析工具。未来研究可拓展至其他生物质-塑料组合，并探索将该模型集成至热解工艺控制系统。论文发表于《Biomass and Bioenergy》，通讯作者为Jiahua Zhu（朱家华），第一作者为Peng Jiang（蒋鹏）。