人工智能和机器学习技术在生物质和废弃聚合物热解液化中的作用：从机理洞察到过程自动化

《Chemical Engineering Journal》：Role of artificial intelligence and machine learning techniques in pyrolytic liquefaction of biomass and waste polymers: From mechanistic insights to process automation

　　

• 将反应动力学（轮胎交联断裂、聚烯烃β-裂解、木质纤维素分解）直接映射到SHAP特征排序。
• 在小型、表格型热解数据集上，树集成模型始终优于深度架构。
• 在468条记录的数据集上，经过严格的10折交叉验证，深度混合专家模型完全崩溃（R2 = 0.00）。
• 识别出温度是影响产品产率的最关键操作参数，在不同原料下，最佳产率出现在450–550°C。
• 尺度差异导致工业反应器中20 wt%的产率预测差距。
• 在热化学工厂中集成数字孪生可将工艺效率提高高达5%。

引言

预计到2050年，全球固体废物年产生量将达到34亿吨[1]。填埋场和焚烧炉无法吸收如此大的体量：大多数工业化国家的填埋场容量已趋于饱和，而大规模焚烧面临日益严格的排放处罚[2]。热解是在缺氧条件下对有机废物进行的热化学分解，可同时将有价轮胎、废塑料和木质纤维素生物质转化为可商用的生物油、合成气和炭。商业化的主要障碍仍然是无法以工业规模所需的经济可行性和稳定过程经济性所要求的高保真度来预测产品产率[2]、[3]、[4]、[5]。热解过程是指在无氧条件下加热废物原料，导致复杂的有机分子通过一系列顺序和竞争性反应热分解为更简单的组分[6]。根据原料和期望的产品分布不同，该过程通常在300°C至700°C之间运行[6]、[7]。利用计算流体动力学（CFD）、数值建模和优化技术等先进工具，可以显著增强热解反应器及相关过程的性能[8]。为了理解热解在废物转能源（WTE）系统中的角色，有必要探讨整个工作流程。图1展示了典型WTE过程中采用的顺序步骤，从废物收集开始，到能源回收和副产物处理结束[9]、[10]。该流程包括材料分选、预处理和转化，其中热解作为核心转化步骤。

人工智能（AI）已成为应对热解系统固有复杂性的一种有力工具。虽然许多研究报告了产品产率估计的高预测精度，但实验室规模模型向工业部署转化的关键挑战依然存在。现有的大多数模型是训练于小型且高度受控的数据集，无法捕获原料异质性、反应器尺度传热限制、催化剂失活以及在商业运营中遇到的动态过程扰动。因此，AI在热解中的价值不仅在于预测精度，更在于开发能够在实际工业环境中维持最优运行条件的稳健、自适应和自主过程控制系统。

现有热解行业面临的挑战包括原料变异性、时间消耗、资本投资、能耗、进行优化实验所需的大量人力、维护以及误差纠正。与之前发表的研究综述相比，本综述的新颖之处在于理解人工智能和机器学习工具在生物质、塑料和轮胎热解中的作用，并通过可解释AI/ML工具获得机理性洞察。具体而言，是机器学习预测洞察的物理意义[11]、[12]、[13]、[14]。这些预测随后与来自各种文献来源的实时实验证据进行相关和关联。然而，已识别出各种传统机器学习算法在研究中的挑战，并为工业中采用机器人控制系统的过程自动化提出了前进方向。

用于热解文献中的机器学习数据集被发现相对较小，中位数研究包含468条记录或更少。为了增加数据集的体积，研究人员结合了来自热重分析、固定床和流化床热解实验的数据集。然而，这些系统基于不同的反应环境和工作方法运行，可能会影响ML模型的可靠性和泛化能力。在某些研究中，数据集被划分为测试集和训练集之前进行了归一化处理，这可能导致数据泄漏。另一个关注点是将反应后或实验推导的描述符（如O/C比、比表面积）作为输入参数。这些变量可能引入数据泄漏并限制模型在实际应用中预测产品产率的实用性[15]、[16]。因此，交叉验证中的高R2值并不总是表明对新反应器或原料系统具有卓越性能。因此，未来研究应优先考虑物理信息数据整合、无泄漏预处理和外部实验室验证，以提高模型在各种原料和反应器之间的泛化能力。图2展示了机器学习管道中的各个步骤[17]、[18]。

表1根据AI模型的目的、数据集规模敏感性和可解释性对各类AI模型进行了比较。在表格型热解数据集中，梯度提升树在低数据量下保持严格的性能主导地位，而深度神经架构在数据集超过1000条记录时达到可比的等同性。鉴于可用热解数据集的固有约束，提高模型复杂性实际上是一种统计负债而非预测资产。

热解ML中的模型选择必须在预测精度、数据集规模和可解释性要求之间取得平衡，而非仅仅优化报告的R2。按原料类别和验证协议分组，对结果进行定量跨研究比较，如表2所示。关键发现是，梯度提升集成在实验室热解典型的小型、表格型数据集上始终优于深度架构，这为表1中的模型选择指导提供了依据。

基于非线性特征交互和能够处理异质数据集，基于树的集成模型在小型到中型数据集的热解应用中表现出具有竞争力的性能。然而，由于样本量、特征空间、训练-测试划分策略、验证协议和预测目标存在差异，无法通过直接使用性能矩阵进行比较来确立其相对于深度神经网络的优势[28]、[32]、[33]。

报告的R2、RMSE或MAE等指标差异可能反映的是数据集规模和质量、特征缩减、预处理、训练-测试划分策略、验证程序、目标变量、实验条件以及潜在数据泄漏的变化，而非真正的算法优越性差异[32]、[34]、[35]。例如，ML应用中考虑的数据集可能由于从不同实验室提取数据而包含噪声和异质性。在Tang等人[36]的一项研究中，将用于预测气体产率的特征从14个减少到6个，提高了模型性能（R2 > 0.85）。例如，一项研究使用运行条件进行数据训练，而另一项研究则更侧重于数据集的终分析和工业分析。由于缺乏标准或协调的数据报告协议，各研究中的数据处理差异很大。训练和测试数据集的划分可能导致测试集和训练集之间的信息泄漏，造成数据泄漏。Castro等人[37]展示了有泄漏和无泄漏数据集对热解建模和优化影响。结果表明，RF模型的测试阶段在无泄漏情况下R2 = 0.74，而有泄漏时R2 = 0.80。这清楚地表明了RF模型在相关数据泄漏下的人工性能膨胀。ML建模的另一个局限是预测性能与实验验证之间的差距。从高特征空间向低特征空间的收敛导致模型性能变化。在已报告的热解研究中，由于实验资源有限，研究人员仅使用了少量数据集进行验证[33]。

图3展示了根据热解过程中的数据类型和建模目标选择AI模型的方法[38]。人工神经网络（ANN）被广泛应用于预测复杂过程（如多相产率和动力学参数）的结果，因为它们可以以高预测精度建模原料性质与运行条件之间高度非线性的交互作用[39]、[40]。然而，它们通常需要相对较大的、标注良好的数据集以及仔细的正则化以避免过拟合，且其内部结构通常被视为"黑箱"，这会限制可解释性[41]、[42]、[43]、[44]、[45]、[46]、[47]。

随机森林（RF）模型被经常应用于提取各种生物质和塑料产率和性质预测中的稳健模式，因为它们能很好地处理含噪声的混合类型数据并通过集成平均减少过拟合，同时仍能提供有用的变量重要性度量[24]、[39]。支持向量机/回归（SVM/SVR）被用于预测热解产率或动力学描述符，特别是在数据集相对较小但维度较高时[48]。梯度提升方法，尤其是XGBoost，已成为高精度预测和反应器或工厂配置微调的核心工具[49]、[50]。循环神经网络（RNN）和LSTM架构在概念上非常适合建模动态反应器行为和时间序列信号，但它们需要大量高质量序列数据集，且目前在热解中仍处于早期示范阶段[39]。

本节建立了直接指导ML特征工程的热化学和反应器基础：本节回顾的运行变量在第3-5节中反复作为SHAP分析中的主导预测因子出现。热解中反应器配置总结详见补充信息（A节）。

三类原料通过根本不同的机制分解，这种差异直接传播到模型设计中。生物质木质纤维素依次分解——首先半纤维素（220–315°C），然后纤维素（315–400°C），最后木质素（250–500°C）——因此停留时间和峰值温度与原料组成存在非线性交互作用[51]、[52]。聚烯烃塑料通过随机引发自由基链断裂降解，使得分子量分布和加热速率成为主导特征。轮胎橡胶在重叠阶段中分解，由NR与SBR的比例和硫化密度控制。在某一原料类别上训练的ML模型如果不重新训练，则无法转移到另一类别，因为分子层面的机理驱动因素不同。第3、4和5节定量地记录了这些机制，并将每个运行变量映射到其ML输入特征角色。

在塑料热解中，热降解主要涉及随机链断裂和脱聚反应[53]、[54]。聚乙烯（PE）和聚丙烯（PP）通常经历β-裂解机制，产生适合燃料应用的烃类，而PET和PVC等聚合物会引入含氧化合物和含氯产物，影响油品质量并需要额外处理。由于轮胎热解具有复合性质，涉及天然橡胶、合成聚合物、炭黑和无机填料，其机制更为复杂。降解过程导致形成富含芳香族化合物的油、气体和固体碳质残渣，在较高温度下二次裂解反应起重要作用[55]、[56]。

从动力学角度来看，热解反应通常使用Arrhenius型方程建模，其中反应速率取决于温度和活化能。传统动力学模型，如一级模型或分布活化能模型（DAEM），被广泛用于描述分解行为。然而，这些模型通常难以捕获真实热解系统的多相和高度非线性特征。这一局限性促使了机器学习方法的应用，该方法可以直接从实验数据中学习复杂关系，而不依赖简化假设。通过结合动力学建模与数据驱动方法，可以实现更准确的预测和对热解过程的更好控制。

在整个热化学文献中，监督回归占主导地位，预测多相产率和性质，如合成气的高位发热值或表观活化能[1]。人工神经网络（使用反向传播的多层感知机）可以捕获强烈的非线性交互作用，但数据需求量大，在典型实验室热解的小型数据集上容易过拟合，且难以解释[1]、[57]、[58]。支持向量回归通过核投影稳健地处理中小型数据集。集成方法表现更好：随机森林和梯度提升框架（XGBoost、LightGBM、CatBoost）目前在表格型热解数据上给出了最佳准确率，且不需要非常大的数据集[42]。单独研究报告单独报告指标，这使得难以看到更广泛的模式。因此，表2收集了液体产率预测中报告的判定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE），并按原料分组，以便在同一基准上评估模型。

综合分析表明，梯度提升树在实用表格应用中占主导地位。在一个精心整理的468条记录固定床数据集上，XGBoost达到了0.80的R2和2.28的MAE，随机森林紧随其后达到0.75的R2。SVR和MLP分别训练至0.52和0.48的R2。深度混合专家模型完全崩溃（R2 0.00）。深度模型通常需要数十万条实例，而定制实验室实验根本不可能提供如此体量[58]。Extra Trees与NSGA-II结合的混合方案在催化快速热解中平衡液体产率与如发热值等质量目标[47]。

图4展示了不同热解原料下，各机器学习模型家族在报道的测试集R2上的对比合成结果。

**方法论**

图5展示了本综述中AI/ML文献系统性筛选的流程图。为了加强本综述的方法学严谨性和可重复性，文献语料库按照《系统综述和荟萃分析报告偏倚风险工具》（PRISMA）2020框架的原则进行组装[60]。结构化的、方案驱动型的检索策略能够减轻选择偏差，并提供热解和AI应用领域中具有统计代表性的横截面。

**轮胎热解**

轮胎热解是一种在无氧环境下将废旧轮胎转化为有价值产品（如热解油、炭黑、钢丝和可燃气体）的热分解过程。通过在理想400至600°C的温度下加热废旧轮胎，复杂聚合物通过一系列引发、传播和终止反应分解为简单化合物[6]、[61]、[62]、[63]、[64]。轮胎热解反应机理的详细情况见下文所述。

**塑料热解**

塑料热解是一种在无氧条件下将废弃塑料转化为有价值产品（如油、气和炭）的热化学转化过程[53]。随着全球塑料消费和污染持续上升，热解已被公认为填埋或焚烧的实用替代方案，具有从难以回收的混合塑料废物流中回收液态燃料和化学原料的潜力。反应机理的详细说明见下文所述。

**生物质热解**

为提高生物质热解的效率和经济效益，已进行了大量的研究和开发工作。反应器设计的改进、工艺优化以及催化剂的使用都有助于提高产品收率和能源回收。此外，越来越多的研究聚焦于将机器学习和AI工具整合到生物质热解过程的分析与优化中。机器学习模型能够处理热解过程的复杂性。

**生物质和聚合物热解中的矛盾发现**

对生物质、塑料和轮胎相关文献的审查表明，模型精度和物理可靠性之间存在显著差距。模型失效、违反动力学和热力学定律、数据集稀缺、缺乏外部实验验证、无法捕捉多尺度/相态传热传质、气固相互作用以及流体力学是主要挑战[32]、[37]、[68]、[75]、[82]、[89]、[103]、[118]、[119]、[120]、[121]、[122]、[123]、[124]。

例如，

**AI/ML整合的简介：需求、机理理解与影响**

AI/ML与热解过程的整合具有多种优势，包括：通过较少的实验验证来优化原料和工艺条件、过程控制、通过耦合质量和能量平衡方程增强机理理解、技术经济分析和生命周期评估分析[32]。以往文献报道的AI/ML热解过程优化是基于文献数据而非实验合成数据。

**AI/ML在热解产业中的规模化**

热解产业规模化的主要挑战在于：原料多样性导致合适原料的选择困难、考虑传热传质的反应器几何设计、过程控制、机理洞察以及可持续性。中试规模工厂中热解工艺条件的优化需要高额的资本投入和技术努力，并通过各种实验验证来确定合适的原料[103]、[120]。Rohani及其合著者[175]

**未来展望**

本综述的未来展望可以通过一个自主研究和开发平台来扩展，该平台包含五个模块。

**模块1 — 原料表征：** 实时TGA分析确定近分析和工业分析成分。机器学习模型从成分数据预测热解行为，并随着新批次的到来持续更新[177]。

**模块2 — 实验设计与优化：** 贝叶斯优化算法基于

**结论**

AI/ML与热解产业的整合能够推动生物质和聚合物废物向燃料和化学品的转化，这不仅减少了大量的中试规模实验验证，还加速了关于产品收率和质量的快速决策。本研究的主要结论总结如下：

- 不同原料类型之间的反应机理存在根本差异。生物质热解通过半纤维素、纤维素和木质素的顺序分解进行，其活化能

**CRediT作者贡献声明**

Akhil Mohan：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，正式分析，数据整理，概念化。S.V. Keerthivasan：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，软件，资源，方法论，调查，正式分析，数据整理。Sidda Beena Reddy：撰写——审阅与编辑，撰写——原始草稿，可视化，

**利益冲突声明**

作者声明，他们没有已知的可能影响本文所报道工作的竞争性财务利益或个人关系。

**致谢**

本研究未获得公共、商业或非营利部门资助机构的任何专门资助。

Akhil Mohan | S.V. Keerthivasan | Sidda Beena Reddy | Aasritha Devireddy | Kaasula Yashasree | Klas Engvall | S. Murugan