机器学习驱动餐厨垃圾水热炭化：水热炭性质预测与优化的创新研究

本研究针对餐厨垃圾水热炭化(HTC)过程中因温度、停留时间、水分含量和催化剂用量等多参数复杂交互导致的优化难题，创新性地采用XGBoost、支持向量回归(SVR)和线性回归(LR)三种机器学习(ML)模型对水热炭(HC)产量及性质进行预测优化。研究发现XGBoost模型预测精度最高(R2=0.87)，温度是最关键影响因素(重要性评分0.91)，TiO2纳米催化剂显著提升水热炭性能：碳保留率从56.8%增至77.6%，高位热值(HHV)从18.4 MJ/kg提升至22.7 MJ/kg。该研究为HTC工艺的实时智能控制提供了数据驱动方案，对推进可持续废物-能源转化技术具有重要意义。

　　

在全球食物浪费危机日益严峻的背景下，如何高效转化有机废弃物成为环境科学与能源领域的重大挑战。餐厨垃圾作为城市固体废弃物的主要组成部分，其传统处理方式如堆肥存在温室气体排放高、资源转化效率低等局限。 hydrothermal carbonization (HTC，水热炭化) 技术通过高温高压水热环境将有机生物质转化为碳-rich的水热炭(hydrochar, HC)，在能源生产、土壤改良和环境修复方面展现出巨大潜力。然而，HTC过程涉及温度、停留时间、水分含量和催化剂用量等多参数复杂交互，传统试错法优化不仅耗时耗力，且难以揭示深层规律。

为突破这一瓶颈，来自波兰弗罗茨瓦夫环境与生命科学大学的研究团队在《Bioresource Technology》发表了创新性研究，将机器学习(machine learning, ML)技术应用于餐厨垃圾HTC过程的优化控制。研究人员通过复合设计-响应面方法论(CCD-RSM)设计了30组实验，系统分析了温度(120-360°C)、催化剂用量(0-2 g)、停留时间(30-270 min)和水分含量等参数对16种水热炭理化和能量特性的影响。研究采用三种ML模型（XGBoost、支持向量回归SVR和线性回归LR）进行预测分析，并通过SHAP (SHapley Additive exPlanations) 方法解析特征重要性。

关键技术方法包括：使用中央复合设计(CCD)安排实验方案；采用高温高压反应器进行HTC实验；通过元素分析仪、热量计、热重分析仪等设备表征水热炭的理化和能量特性；运用Scikit-learn机器学习库构建预测模型；采用SHAP值进行特征重要性解读。

研究结果显著：

1. 1.

   机器学习模型预测性能比较：XGBoost在多数响应预测中表现最优(R²=0.87)，SVR对水热炭质量预测最准确(R²=0.9386)，而线性回归模型在热重分析(TGA)失重预测中表现最佳。

2. 2.

   特征重要性分析：温度被确定为最关键影响因素，其重要性评分达0.91，远高于催化剂用量(0.61)。SHAP分析进一步验证温度对水热炭质量、碳保留能力和能量特性的主导作用。

3. 3.

   优化条件与性能提升：在最优条件下（温度240°C、停留时间150 min、液体重量200 g、TiO₂催化剂1.0 g），每100 g干餐厨垃圾可获得48.5 g水热炭，能源回收效率达68%。TiO₂纳米催化剂的添加使碳保留率从56.8%显著提高至77.6%，堆积密度从0.37 g/cm³增加至0.89 g/cm³，高位热值(HHV)从18.4 MJ/kg提升至22.7 MJ/kg。

4. 4.

   结构特性表征：FTIR分析显示水热炭富含羰基(C=O)和芳香族C=C结构，BET测定表明其比表面积从原料的14.96 m²/g增至41.67 m²/g，孔隙结构明显改善。

5. 5.

   应用潜力评估：优化后的水热炭兼具高能量密度(HHV达22.7 MJ/kg)、适宜pH值(6.5-7.2)和发达孔隙结构，在固体生物燃料、土壤改良剂、环境污染吸附剂等方面展示多方位应用前景。

研究结论强调机器学习方法特别是XGBoost模型，能有效捕捉HTC过程中的复杂非线性关系，实现水热炭性质的精准预测和工艺优化。TiO₂/生物炭复合催化剂通过提供活性位点、促进电子转移和增强表面反应性，显著提升了水热炭的碳保留能力和燃料特性。该研究不仅为餐厨垃圾资源化提供了高效技术方案，更展示了数据驱动方法在复杂环境工程过程中的巨大潜力，对推动废物-能源-环境协同发展的可持续技术具有重要指导意义。

研究同时指出了一些局限性，包括数据集规模对模型泛化能力的限制、催化剂类型单一(TiO₂)以及实验室与工业规模间的差异。未来工作可扩展至更多催化剂类型、开发实时自适应ML控制系统，并开展中试规模验证，以进一步推进该技术向工业化应用转化。