从生物质结构到富含氢的合成气：用于水热气化的可解释机器学习方法

《International Journal of Hydrogen Energy》：From biomass structure to hydrogen-rich syngas: Interpretable machine learning for hydrothermal gasification

　　•利用大语言模型（LLM）辅助提取，共编译了634条HTG/SCWG实验记录。•结构描述符提高了匹配子集H2预测的准确性。•堆叠集成模型的H2、CO2和CO预测R2值在0.94–0.96之间。•共形区间实现了90–100%的实证覆盖率。•机理分析将生物质结构与富氢合成气的选择性联系起来。

引言
水热气化（HTG），包括超临界水气化（SCWG），是一种有吸引力的热化学途径，可以将湿有机原料转化为富氢合成气，而无需传统气化过程中所需的能量密集型干燥。在水温较高的环境中，湿生物质、污泥、粪便、食物废弃物等有机残留物会经历水解、解聚、重整、水煤气变换、甲烷化、裂解、脱羧以及炭气反应等一系列复杂过程，最终产生主要由H2、CO2、CO和CH4组成的气体混合物[[1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11]]。最终的气体组成强烈依赖于操作变量，如温度、压力、停留时间、固体负荷、催化剂配方以及原料化学性质。因此，准确预测合成气成分对于反应器设计、原料筛选、氢产率优化、热质平衡计算、下游分离设计以及基于HTG的生物精炼厂的技术经济评估至关重要。

尽管具有很大潜力，但由于HTG过程涉及多相传输、离子和自由基反应、水相重整、炭形成以及高度耦合的反应路径，其预测建模仍然具有挑战性。温度通常会促进吸热的重整、裂解和炭气化反应，而水煤气变换反应则影响H2、CO和CO2的平衡。甲烷化和干重整路径会根据反应的剧烈程度和局部气体组成进一步影响CH4和CO的生成。此外，高固体负荷会改变浆体的流变性、传热和传质以及反应相之间的接触，从而改变表观气体产率。原料组成的不同也增加了复杂性：纤维素、半纤维素和木质素的水解行为、含氧官能团、芳香性以及炭形成倾向各不相同。因此，仅基于操作条件或元素分析的简单关联往往无法适用于不同类型的原料和反应器条件。

传统的机理和动力学模型为HTG化学提供了宝贵的见解，但它们通常需要详细反应网络、动力学参数、相平衡描述以及关于中间产物的假设，而这些对于异质实际原料来说难以获得。这些模型可能在特定原料或反应器系统内表现良好，但当外推到更广泛的实验范围时往往会失去准确性。相比之下，数据驱动模型可以直接从实验数据中学习非线性关系，因此非常适合处理异质的大规模文献数据集。然而，许多之前的HTG和SCWG机器学习研究受到样本量小、原料范围狭窄、单输出预测或粗糙的原料描述符（如元素终极分析）的限制[[12], [13], [14], [15], [16], [17], [18], [19]]。

机器学习越来越多地被用于建模气化和水热转化系统。随机森林、梯度提升回归器、支持向量回归、高斯过程回归、人工神经网络、基于直方图的梯度提升以及集成学习方法已被应用于预测生物质、污水污泥、煤炭、城市固体废物和共气化系统中的氢产率、合成气组成、发热值、焦油形成、焦炭性质和碳转化率[[12,[14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29]]。这些研究表明，当通过适当的验证和超参数优化进行训练时，非线性机器学习模型能够捕捉操作条件、原料属性和产品分布之间的复杂相互作用。基于集成和提升的模型通常表现良好，因为它们能够表示非线性效应和变量相互作用，同时对表格形式的实验数据集具有相对强的鲁棒性[[12,17,22,23]]。基于神经网络的模型也显示出强大的预测能力，特别是在多输出气体组成预测方面，尽管其性能可能受到数据集规模和模型架构的影响[[15,30,31]]。

最近的研究进一步展示了机器学习在生物质和废物气化应用中的广泛性。监督模型被用于预测固定床生物质气化产生的富氢合成气；可解释的多输出框架结合了全局和局部解释方法来处理生物质和废物气化；原始皮革废物气化数据集与可解释的AI预测H2和CH4相结合；混合CNN-LSTM模型将合成气预测扩展到深度学习架构；数据驱动模型被用于解释和优化三相生物质-废物气化过程。总体而言，这些研究提高了预测准确性、可解释性、公共数据的可用性以及操作条件的优化。然而，它们主要关注传统的气化过程、特定原料的数据集或元素和操作描述符，而不是结合共形不确定性和基于路径解释的HTG/SCWG[[32], [33], [34], [35]]。

除了预测准确性外，可解释性对化学工程应用也至关重要。一个能够准确预测气体组成但产生化学上不可信趋势的模型对过程设计或实验计划的价值有限。因此，最近的研究使用了SHAP分析、偏依赖图、敏感性分析和特征重要性方法来识别HTG和SCWG模型中的关键变量[[12], [13], [14], [16,21,36,37]]。这些研究一致表明，温度是控制气化行为的主要因素之一，其次是停留时间、压力、催化剂负荷、固体含量和原料组成等因素。这些趋势与HTG化学性质大体一致：较高的温度通常会增强重整、裂解、水煤气变换和炭气化反应，而过高的固体负荷可能会因传输限制和转化不完全而降低气化效率。尽管如此，许多现有 的可解释性研究仍然主要基于元素描述符，这些描述符并未明确体现木质纤维素原料的结构化学性质。

当前文献的一个关键局限性在于原料化学性质的表达方式。大多数数据驱动的HTG研究使用元素分析变量，如碳、氢、氮、氧和灰分含量，因为这些数值较为常见。虽然这些数值有用，但元素组成是一个总体描述符，无法区分不同的分子结构。例如，两种碳和氧含量相似的原料可能含有非常不同的纤维素、半纤维素、木质素、提取物、蛋白质或产灰矿物比例。这些结构差异会影响水解速率、中间产物形成、焦炭生成、芳香烃分解以及气相产物分布。半纤维素通常更具反应性且富含氧，纤维素结晶度更高且解聚方式不同，木质素含有促进焦炭形成的芳香和甲氧基结构，并影响CH4、CO和H2的生成路径。因此，结构生物质描述符可能比单独的元素分析提供更有化学意义的原料反应性表征，尤其是在数据集规模较小或异质性较高的情况下[[4,5,[9], [10], [11]]。

另一个局限性是数据的可用性。HTG实验成本高昂且耗时较长，已发表的研究往往以不一致的格式报告数据，包括表格、图表、补充文件和文字描述。这种碎片化限制了可用于模型开发的结构化数据集的规模。大型语言模型的最新进展为加速基于文献的数据提取提供了机会，但此类工作流程必须仔细标准化并手动验证，以避免转录错误、单位不一致性和提取偏差。当与严格的预处理和验证结合使用时，LLM辅助提取可以帮助将分散的实验报告转换为适合机器学习分析的更大规模的结构化数据集[[38], [39], [40], [41]]。混合和集成建模框架也受到了关注。数据驱动模型已与过程模拟、反应路径分析、优化算法和模型预测控制相结合，以支持操作条件选择和实时过程引导[[13,29,42,43]]。例如，经过机理或Aspen Plus模拟验证的机器学习模型可以帮助确定合理的操作窗口，而基于优化的模型可以推荐最大化氢产率或改善合成气质量的条件。这些进展表明，机器学习不仅可以用于预测，还可以用于实验设计、原料选择、过程优化和热化学转化系统的决策制定[[21,24,28,42]]。然而，广泛的泛化能力仍受数据集规模、报告不一致性、结构特征描述不完全以及不同原料描述符类型之间比较不足的限制。

为了弥补这些不足，本研究开发了一个可解释的堆叠集成框架，用于从大量异质文献数据集中预测HTG合成气组成。该工作结合了三个要素：首先，使用半自动的LLM辅助提取工作流程从已发表的HTG和SCWG研究中编译结构化实验数据；其次，开发了一个特定目标的堆叠集成模型，该模型整合了XGBoost、梯度提升和随机森林基础学习器，并使用岭回归元学习器；第三，系统比较了元素和结构原料描述符，用于预测H2、CO2、CO和CH4。评估了四种输入表示方法：完整的元素数据集、仅包含结构的匹配子集、仅包含元素的匹配子集以及包含元素和结构的组合匹配子集，每种方法都包含了操作条件。模型解释通过排列重要性和偏依赖性分析来评估所学到的关系是否与已知的HTG反应化学性质一致。

本研究的主要创新点在于在可解释的集成学习框架内对元素和结构原料表示进行了受控比较。与仅通过元素分析处理原料组成不同，本研究评估了纤维素、半纤维素和木质素组分是否为合成气预测提供了额外的机理信息。这种区分对化学工程实践非常重要，因为结构描述符直接关联到水解行为、解聚路径、炭形成以及二次重整反应。结果表明，结构描述符显著提高了匹配子集上的预测性能，并产生了化学上可解释的特征效应，支持了未来HTG研究应同时报告结构生物质组成和元素分析的更广泛建议。

除了数据集扩展和算法基准测试外，本研究还测试了一个化学表征假设：即聚合物原料结构是否包含仅通过元素分析无法获得的反应信息。这一假设通过匹配记录、多重共线性和描述符恢复性诊断、重复的配对训练-测试分割及统计测试、伴随的总气产率模型、共形预测区间以及基于路径的学习特征效应解释来评估。这些要素将原料结构与分解化学、预测可靠性及工程量联系起来，而不仅仅将机器学习视为一个孤立的准确性练习。

本研究的具体贡献如下：
- **文献规模的数据集组装**：使用LLM辅助提取和协调工作流程，编制了一个大规模的异质HTG/SCWG数据集。
- **可解释的堆叠集成建模**：开发了一个特定目标的堆叠集成模型，结合了XGBoost、梯度提升、随机森林和岭回归。
- **结构描述符与元素描述符的比较**：在匹配数据集上系统比较了结构生物质组分和元素描述符。
- **模型的化学解释**：使用排列重要性和偏依赖性分析将模型预测与HTG反应化学性质联系起来。
- **不确定性量化**：应用跨共形预测来量化预测不确定性和区间覆盖范围。

本文的其余部分组织如下：第2节描述了数据集组装、预处理、特征工程、模型开发和验证；第3节介绍了模型在各种气体产物和输入表示上的性能；第4节在HTG反应化学的背景下解释了学习到的特征效应，并讨论了对原料表征、过程优化和模型部署的意义；第5节总结了主要结论、局限性以及对未来实验报告和数据驱动HTG建模的建议。

方法部分
本节描述了水热气化数据集的构建、预处理和协调程序、模型开发以及用于评估元素和结构原料描述符的比较框架。整个工作流程包括四个阶段：基于文献的数据编译、数据集协调、特定目标的机器学习模型开发以及比较用于预测合成气组成的描述符范式。

数据集特性和实验领域
编制的数据集整合了来自多个独立研究的HTG/SCWG实验观察结果，形成了统一的表格结构。主要元素数据集包含634个观察结果，包括元素分析变量（碳、氢、氮、氧和灰分）以及H2、CO2、CO和CH4的气相产物组分。一个包含130个观察结果的较小匹配子集还包含了结构生物质描述符，即纤维素、半纤维素和木质素。这种结构使得能够...

讨论
结果表明，当异质文献数据与特定目标的集成学习以及化学上有意义的原料描述符结合使用时，HTG/SCWG的合成气组成可以高精度地被预测。更重要的是，元素和结构输入表示之间的比较表明，原料化学的编码方式对模型性能和可解释性有重大影响。本节讨论了这些结果与先前建模的研究结果。

结论
本研究开发了一个可解释且具有不确定性感知能力的堆叠集成框架，用于预测水热气化和超临界水气化系统的合成气组成。使用半自动的LLM辅助提取工作流程汇编了一个异质文献数据集，获得了634个元素观察结果和一个包含130个观察结果的匹配结构子集。该框架结合了特定目标的特征选择、基于物理原理的特征工程...

作者贡献声明
Mahshad Manouchehri：资源管理、项目协调、方法论、调查、正式分析、数据整理、概念化。
Omid Norouzi：撰写——审稿与编辑、初稿撰写、可视化、验证、监督。

利益冲突声明
作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。