用于基于机器学习的城市固体废物高温热值（HHV）预测的热力学一致特征表示方法

《Energy》：Thermodynamically Consistent Feature Representation for Machine Learning-Based HHV Prediction of Municipal Solid Waste

　　

• •
  为了基于机器学习的城市固体废物（MSW）高位热值（HHV）预测，引入了热力学基础转换方法。
• •
  分别评估了特征空间转换、目标定义和稀释重建的效果。
• •
  无灰干物质特征能够更清晰地表示 combustible 组成。
• •
  通过综合学习和重建效果，完全的基础转换降低了接收态的 HHV 预测误差。
• •
  该框架通过将化学能与稀释效应分离，提高了物理可解释性。

章节摘录

引言

高位热值（HHV）是固体燃料热化学转换中的关键参数，因为它直接影响能量平衡计算、燃烧控制以及整个系统的效率[1][2]。在城市固体废物（MSW）焚烧和废物转化能源（WtE）应用中，HHV 被广泛用于原料评估、操作条件调整和工艺优化[3][4]。然而，由于 MSW 来源多样且成分多变，其性质具有高度异质性

材料与方法

本研究使用了 Meraz 等人[3] 中表格 3 列出的所有 100 个数据条目，这些数据条目汇总了早期出版物中的成分和实验 HHV 数据。来源表格报告了以干基计的碳（C）、氢（H）、氧（O）、氮（N）、硫（S）和灰分含量，以及以丢弃状态计的含水量和实验 HHV 值，这些数据在本次分析中被视为等同于接收态的数据。干基下的元素和灰分含量进行了转换

结果与讨论

研究结果旨在探讨热力学基础处理是否会影响机器学习模型对 MSW HHV 预测的学习行为和预测性能。核心问题是，从混合接收态特征中学习到的映射是否仍然受到稀释效应的影响，而不是反映了可燃部分组成与热值之间的稳定关系。由于 HHV_ar 同时反映了可燃部分的熱值和物理稀释效应

总结与结论

本研究考察了热力学基础一致性是否会影响基于机器学习的城市固体废物 HHV 预测。研究比较了三种特征表示策略：直接从接收态特征进行预测、使用无灰干物质元素特征通过 HHV_daf 作为学习目标的完全基础转换预测，以及使用无灰干物质元素特征的部分基础转换预测

CRediT 作者贡献声明

Tianfang Xie：撰写 – 原稿起草、验证、软件开发、资源协调、调查、形式分析、数据管理。 Zhentao Liu：撰写 – 审阅与编辑、监督。 Jinlong Liu：撰写 – 审阅与编辑、原稿起草、监督、项目管理工作、资金筹措、概念构思。 Yushi Xue：撰写 – 原稿起草、验证、软件开发、资源协调、方法论设计、调查、数据管理

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了 中国国家重点研发计划（项目编号：2024YFC3909200）和 国家自然科学基金（项目编号：U23A20641）的支持。

Yushi Xue|Tianfang Xie|Zhentao Liu|Jinlong Liu