油页岩热解过程的智能建模：原料组成与热力学参数对裂解效率的影响机制研究

【编辑推荐】本研究首次将人工智能（AI）应用于油页岩热解建模，通过人工神经网络（ANN）、自适应神经模糊推理系统（ANFIS）和支持向量机（LSSVM）对比分析，揭示温度（r=-0.6766）、加热速率和元素组成（C/H/N/O/S wt%）对残炭量的影响。ANFIS模型以R2=0.9706的精度胜出，为页岩油工业化生产提供了突破性的优化工具。

　　

Highlight

模型构建

为精准预测油页岩热解过程中的重量损失百分比（wt.%），本研究开发了基于人工神经网络（ANN）、最小二乘支持向量机（LSSVM）和自适应神经模糊推理系统（ANFIS）的三种AI模型。具体算法实现步骤详见补充材料（参见S1章节）。

工艺流程、数据采集与建模算法

油页岩热解（又称页岩干馏）是一种将页岩中的固态干酪根（kerogen）在300-550°C无氧环境下热裂解为页岩油、可燃气体的过程。研究团队通过457组热重分析（TGA）实验数据（80%训练集/20%测试集），以C、H、N、O、S元素含量（wt%）、升温速率（°C/min）和温度（°C）作为输入变量，构建了预测模型。

结果与讨论

ANFIS模型表现最优，其R2=0.9706、均方根误差（RMSE）=5.6的标准差（SD）=0.030。箱线图（Box-Cox）和累积误差分析验证了模型的稳健性。敏感性分析显示：升温速率会降低裂解效率，而温度与元素含量呈正相关——其中温度的影响最显著（相关性系数r=-0.6766），这为工业化反应器设计提供了关键参数优化方向。

结论

本研究首次将AI技术应用于油页岩热解领域，ANFIS模型成功突破了传统阿伦尼乌斯（Arrhenius）动力学模型在反应网络复杂性和加热速率效应评估上的局限，为页岩油经济化开采提供了智能化的决策工具。