欧-地中海地区生物质制氢的技术经济评估与基于人工神经网络的优化

《International Journal of Hydrogen Energy》：Techno-economic assessment and ANN-based optimization of biomass-derived hydrogen production in the Euro-Mediterranean region

　　

**•对主要生产国橄榄渣和葡萄皮渣的大规模制氢平准化成本评估**
**•通过ANN-GA优化实现低碳排放，支持可扩展的氢气生产评估**
**•水-能纽带关系成为大规模氢能部署的关键约束**
**•地中海国家在利用生物质废弃物实现具有竞争力的氢气成本（3美元/公斤）方面展现出强劲潜力**
**•橄榄渣和葡萄皮渣具有可观的制氢潜力（>150万吨/年）**

## 引言

随着全球人口突破80亿，工业增长和生活水平提高正推动能源需求急剧上升。化石燃料仍满足大部分需求，但其有限的储量及大量的温室气体排放凸显了其不可持续性。风能和太阳能等可再生能源提供了更清洁的替代方案，但受制于固有的间歇性和季节性波动。解决这些局限需要大规模储能解决方案以确保可靠且具韧性的能源供应[1]、[2]、[3]。氢气作为一种多功能能源载体，能够长期、季节性地储存能源并缓解可再生能源输出的波动。尽管潜力巨大，但以氢为基础的经济体系尚未实现[1]。这一挑战在很大程度上归因于对经济高效、可扩展且环境可持续的氢气生产技术的需求。

生物质资源，包括农业工业和林业残余物、畜禽粪便及生物质衍生产品，是可持续制氢的有前景的可再生原料[4]。在这些资源中，农业残余物因其高度可用性及支持循环生物经济战略的潜力而尤为引人注目。在欧-地中海盆地，橄榄油和葡萄酒产业产生大量固体副产品。仅西班牙就贡献了全球橄榄油产量的40%以上，其次是突尼斯（11%）、意大利（9.8%）、希腊（9.1%）、摩洛哥（4.9%）和其他地中海国家，合计约占世界产量的90%[5]。同样，该地区生产了全球约三分之一的葡萄。因此，每年产生大量橄榄渣（OP）和葡萄皮渣（GM），既带来废弃物管理挑战，也提供可再生能源回收机遇。其丰富性和富含碳的组成使OP和GM成为制氢的有前景原料，前提是开发高效的转化技术和一体化供应链。

全球对氢气需求的增长凸显了利用丰富可再生资源开发可持续生产路径的必要性。氢气日益被视为工业、交通和电力部门深度脱碳的关键推动者[6]、[7]、[8]、[9]。近期研究强调其在实现净零排放目标和支持向更清洁、更具韧性的能源体系转型中的作用[6]、[8]。特别是，Anjali等人[6]强调了氢气技术在脱碳难减排部门及减少对化石衍生氢气依赖方面的重要性。在此增长需求驱动下，2021年全球氢气消费量达9400万吨（Mt），预计到2030年升至1.58亿Mt，2050年达5.68亿Mt[10]。满足这一增长需求需要高效、经济可行且低碳排放的氢气生产路径[4]。

在新兴技术中，生物质气化是将可再生生物质转化为氢气的有前景的途径。它能提高资源效率、支持循环生物经济原则并减少温室气体排放。与传统的基于化石燃料的制氢不同，生物质气化还能实现农业残余物和其他废弃物流量的增值。然而，其应用仍受限于相对较低的产氢量（40–190 g H?/kg 生物质）、高生产成本、工艺复杂性和大量焦油形成[11]、[12]、[13]。此外，富含碳的物质如CO和CO?的形成以及热力学限制会降低氢气生产效率和环境绩效[14]。

针对这些挑战已提出多种策略，包括原料预处理[11]、协同气化[12]、优化气化条件[12]、用于产氢和焦油裂解的催化剂开发[13]、[14]、与其他可再生能源的整合[15]、混合系统如电解槽[16]或整体煤气化联合循环[17]，以及改进的气体净化技术[18]。然而，生物质气化仍是一个高度非线性过程，受原料性质、反应动力学、催化剂行为和操作条件之间复杂相互作用的支配[19]、[20]。因此，确定最优操作条件极具挑战性。传统模拟和优化工具虽能提供有价值的见解，但常受高计算成本、求解器复杂性和长执行时间的限制。在探索大型设计空间和单目标优化问题时，这些局限更加突出[21]。因此，需要更高效的建模和优化方法以加速工艺开发并最大化氢气生产性能。

开发利用机器学习（ML）的新建模方法对于应对这些挑战至关重要。ML算法对某一问题的适用性由数据集的固有特征决定[21]。最常用的ML方法包括线性回归（LR）、支持向量机（SVM）、决策树（DT）和人工神经网络（ANN）[22]。LR是评估自变量和因变量之间关系的简单方法，但在变量间存在复杂相互作用时难以进行准确预测[22]。DT方法如回归树或更高级的集成方法因已知的过程非线性特征而在热解或气化建模中预测产量的应用较少[22]。相比之下，SVM已被证明对小到中等规模的高维数据集具有良好的预测精度；然而，对于更大的数据集，其预测精度较低[22]、[23]。而ANN模型由于其分层结构，能够捕获大量变量的相互作用[24]。ANN因其处理大型数据集、建模复杂关系并提供高精度而广受欢迎，同时所需统计学知识最少，且高效通用[21]、[22]、[25]。这些特性使ANN非常有趣且有用，促使其在优化生物质气化过程中的应用。

通过机器学习优化生物质气化的概念是较新的发展[24]、[26]。近年来已有许多研究报告了利用ML建模进行气化。Kargbo等人[24]使用实验数据开发和验证了ANN模型，用于预测和优化两阶段气化过程，模型实现了高精度（R2 > 0.99），其预测条件与实验结果吻合良好。Ozbas等人[27]在自有的实验装置中利用各种ML方法对橄榄核气化进行建模，获得了相当高的精度（R2 = 0.99）。Puig-Arnavat等人[28]在流化床反应器中应用基于ANN的生物质气化建模，发现模型成功预测了发生气和气体产量。Shahbaz等人[29]使用ANN模型预测气化过程的产品气体组成。Sezer等人[30]采用ANN模型，使用来自Aspen的数据预测?值。Shi等人[31]研究了流化床生物质气化建模并对生物质快速热解产品预测应用了ML，为Aspen-机器学习组合的应用提供了见解，以及文献[32]。大多数已报道的工作主要集中于ML在气化过程的应用和输出预测，而未优化气化过程。Aspen Plus因灵活性高、计算成本低且能够测试各种工艺配置和参数（特别是用于分析合成气组成和产量）而在生物质气化中被广泛使用[30]、[31]。Aspen Plus与机器学习的整合对于拓宽气化模型的应用、优化和提高模型可扩展性极具益处[31]。该整合方法已成功应用于生物质气化、煤炭焦化、甲醇合成和烯烃生产[33]。然而，其在生物质制氢系统中的应用，特别是结合基于物理的模拟、机器学习和高级多目标优化（如NSGA-II）的混合框架，仍十分有限。

如表1所示，在通过过程模拟对原位CO?吸附增强（SER）生物质气化制氢进行建模方面仍存在重大差距[34]。此外，SER气化系统可靠成本数据的有限可用性导致报告的LCOH?值存在变异性，凸显了需要更详细和系统成本评估的必要性[35]。现有研究还缺乏整合基于物理的数据驱动模型与多目标优化、放大分析及技术经济评估的综合框架。同时优化关键可持续性指标（包括产氢量、环境影响、能量和?效率及焦油减少）的情况鲜见报道。许多模型仍依赖简化热力学，忽略了催化动力学和焦油裂解机制。此外，橄榄渣和葡萄皮渣等原料[36]、[37]、[38]、[39]、[40]尚未在完全整合、可扩展且可持续的优化框架中得到评估。

本研究通过同时解决多个目标并更清晰地理解生物质制氢转化的权衡来克服早期工作的局限。本研究作出了几项关键贡献。首先，它整合了经验证的基于物理的Aspen Plus模型与基于ANN的代理模型。其次，通过将此混合框架与NSGA-II耦合，建立了稳健的多目标优化平台。第三，它确定了整合的原位CO?吸附增强流化床气化器的最优操作条件，同时针对环境和能源绩效目标。具体而言，该框架最大化产氢量、能量效率和?效率，同时最小化焦油形成和CO?排放。为提高预测保真度，模型纳入了详细的催化动力学，包括反应速率和焦油裂解机制，如作者先前的工作所述[36]。第四，应用TOPSIS方法从帕累托前沿中识别最优选方案，用于OP和GM生物质废弃物的SER气化制氢，符合文献[52]。与预测性能受限于特定数据集的模型不同，所提出的框架展现出强大的泛化能力，能够实现氢气生产和整体气化性能的快速准确预测。本工作的新颖性在于结合同位CO?吸附增强生物质气化模型、基于ANN的代理建模和NSGA-II进行高效、可持续的工艺优化。该整合减少了计算成本，提高了收敛性，并支持可扩展示性生物质气化的信息决策制定。本研究为研究人员和从业者提供了有价值的工具，以利用ML快速评估原位CO? SER生物质气化制氢的可行性。在先前的参数优化[36]基础上，该方法还支持放大评估和后续的技术经济评估。此外，它首次提供了主要生产国在不同规模下橄榄渣和葡萄皮渣LCOH?的大规模技术经济评估，揭示了关键成本驱动因素和优先区域。

## 方法概述

在本研究中，产氢量（g H?/kg 生物质）衡量生物质制氢转化效率，制氢速率（kg/hr）量化单位时间产生的氢气量，氢气输出（MW）表示其能量含量，由制氢速率和低位热值（LHV）计算得出以评估系统能量效率。这些是用于评估工艺绩效和支持后续放大及技术经济评估的部分指标。

## 结果与讨论

本研究结果分为五个部分：1) 人工神经网络结果；2) 使用遗传算法的多目标优化结果；3) 平准化制氢成本估算；4) 对最重要经济假设的敏感性分析，以及 5) 欧-地中海地区平准化制氢成本案例研究。

气化绩效主要由温度（T）、水生物质比（SB）、当量比（ER）、生物质...

## 启示与局限

复杂生物能源系统的优化可受益于降低重复过程模拟计算负担的数据驱动方法。本研究使用Aspen Plus模拟结果开发ANN代理模型以预测气化绩效。ANN模型随后与遗传算法耦合以确定最优操作条件。该框架为评估产氢量、能量和?...之间的权衡提供了高效方法。

## 结论

本研究交付了基于流化床气化生物质制氢的多目标优化和技术评估，以详细的过程建模为基础。主要发现如下：

- 使用原位CaO，葡萄皮渣和橄榄渣气化可生产低碳氢气，碳足迹分别为0.15和1.25 kg CO?/kg H?。
- 小规模优化和废弃物原料可降低氢气成本并提高可持续性。
- 该系统实现了更高的氢气...

## CRediT作者贡献声明

Aytenew Getaye：撰写——初稿、验证、软件、调查、资金获取、形式分析、数据整理。Sébastien Vaudreuil：撰写——审阅与编辑。Tijani Bounahmidi：撰写——审阅与编辑。

Touria Moudakkar：撰写 – 初稿，监督，资源，项目管理，方法论，资金获取，概念化。利益冲突声明作者声明，他们没有已知的竞争经济利益或个人关系可能影响本论文中报告的工作。Aytenew Getaye|Sébastien Vaudreuil|Tijani Bounahmidi|Touria Moudakkar