桥接废弃生物质衍生碳催化剂创新与机器学习以实现可持续生物柴油生产：综合评述

《RSC Advances》：Bridging waste-derived carbon catalyst innovation and machine learning for sustainable biodiesel production: a comprehensive reviewOpen Access

　　

生物柴油是化石柴油的一种有前景的可持续替代燃料，但其推广应用受到催化剂效率、稳定性、可重复使用性以及工艺优化等方面的挑战。金属掺杂活性炭（AC）和生物炭基催化剂因其高比表面积、可调控孔隙率以及由废弃生物质低成本生产等特性而受到广泛关注。与此同时，机器学习（ML）已成为生物柴油产率预测、过程建模和优化的有力工具。然而，这些研究领域在很大程度上是独立发展的。本综述将科学计量分析与系统综述相结合，考察废弃源AC和生物炭基催化剂的研究进展以及ML在生物柴油生产中的应用。研究人员对催化剂合成、活化、金属掺杂、物理化学性质、催化性能、稳定性和可重复使用性进行了批判性评估，并同时评述了基于ML的预测和过程优化方法。进一步讨论了一个集成的催化剂–过程–性能框架，以强调将催化剂描述符纳入数据驱动生物柴油建模的机会。本综述识别了关键研究趋势、知识空白以及推进可持续和可规模化生物柴油生产的未来机遇。

1 引言

1.1 背景

生物柴油是由脂肪酸甲酯（FAMEs）组成、通过酯交换制备的可再生替代燃料。原料选择、游离脂肪酸（FFA）含量、水分及反应条件显著影响产率和质量。均相碱催化剂动力学快但分离难，非均相及纳米结构催化剂易分离、可回收且环境影响更小。活性炭（AC）和生物炭因高比表面积、可调孔隙及表面化学性质，适合作为金属掺杂载体。传统机理模型和响应面法（RSM）依赖实验校准，难以处理复杂原料和非线性关系，机器学习（ML）因而受到关注；常用监督模型包括人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）等，混合方法如ANN-遗传算法（GA）可提升预测和优化能力。

1.2 研究空白

现有综述多分别聚焦催化剂、反应器或ML建模，缺乏对催化剂合成、物理化学性质与数据驱动建模之间关联的系统整合。

1.3 研究贡献

本文结合科学计量分析与系统综述，构建催化剂–过程–性能分析框架，评估废弃源AC/生物炭催化剂及ML应用，为催化剂筛选、产率预测和过程优化提供依据。

2 方法

2.1 混合综述方法

采用定量科学计量分析与定性系统综述互补的混合方法，形成统一分析框架。

2.2 文献计量分析

以Scopus为数据库，采用主题词布尔检索，按纳入排除标准筛选，遵循PRISMA流程，最终纳入131篇研究用于科学计量和系统分析。

3 科学计量结果

3.1 年度研究进展

2005至2025年发文量稳步增长，2015年后增幅明显，反映该领域关注度上升。

3.2 关键词与国家合作网络分析

关键词网络显示四个聚类：催化剂制备与表征、原料与反应化学、生物燃料与生物质转化、催化剂性能与过程优化。国家合作网络显示亚洲国家贡献突出，跨国合作不断增强。

4 系统综述结果

4.1 生物柴油原料

原料按FFA含量、水分、杂质、可获得性和成本影响催化剂选择与工艺路线；废弃及非食用油因不与粮争地而受关注。

4.2 原料预处理

高FFA原料需酸酯化或双功能催化预处理以避免皂化；预处理要求决定金属掺杂AC催化剂应设计为酸性、碱性或双功能体系。

4.3 生物柴油生产工艺

酯交换是主流工艺；微波、超声、超临界甲醇等强化手段可改善传质。过程选择取决于原料性质、催化剂类型、操作条件和下游分离要求。

4.4 生物柴油生产中的催化剂

4.4.1 均相与非均相催化剂

均相酸/碱催化剂动力学快但分离难；非均相催化剂易分离、可重复使用，但成本或传质受限。

4.4.2 活性炭作为催化剂载体

AC可由废弃生物质制备，KOH活化后比表面积差异较大，但均能获得较高生物柴油产率；AC还可负载Na、Ca、Fe、Zn、Cu、Mg等多种活性相。

4.4.3 活性炭的金属掺杂

金属掺杂方法包括原位一步法和浸渍后活化两步法；K、Ca相主要提供碱性位，Fe、Ni可引入磁性或催化裂解功能。金属掺杂提高活性位密度，但存在孔堵塞和金属浸出风险。

4.4.4 生物炭与金属掺杂生物炭

原始生物炭活性有限；金属掺杂可提高产率、改善织构、赋予磁性并增强稳定性，但合成更复杂且可能发生金属浸出。

4.4.5 催化剂物理化学性质

比表面积、孔结构、酸位密度和疏水性共同决定酯化/酯交换活性。磺化AC（ACPhSO₃H）与商业树脂Amberlyst-15性能可比，Fe掺杂AC在催化裂解中表现出较好效果。

4.4.6 重复使用性、失活与再生

失活机制包括活性相或官能团浸出、孔堵塞和酸碱性位损失；再生研究仍有限，需标准化再生程序和循环后表征。

4.5 影响生物柴油生产的因素

温度、醇油比、催化剂用量、时间及原料品质影响产率；最优操作窗口与催化剂酸碱性、孔结构和金属分散度相关。

4.6 生物柴油的物理化学特性

黏度、密度、酸值、十六烷值、冷滤点等用于评价催化剂效果和燃料标准符合性。

4.7 金属掺杂/负载活性炭催化剂制备的生物柴油特性

4.7.1 燃料质量与标准符合性

KOH/AC等体系可在温和条件下获得91–99.9%产率，黏度和密度多符合EN 14214/ASTM D6751；酸值有时需通过水洗、树脂抛光或调合达标。

4.7.2 催化剂–过程关系与生物炭催化剂性能

碱性位强度和分散性、AC织构、金属配对及后处理共同影响燃料品质；冷流性质主要受原料脂肪酸组成影响，而非催化剂类型。

4.8 生物柴油生产建模

4.8.1 传统模型

传统模型包括幂律动力学、Langmuir–Hinshelwood–Hougen–Watson（LHHW）/Eley–Rideal（ER）机理模型、理想反应器与膜辅助填充床模型、相平衡（NRTL/UNIQUAC）、RSM参数估计以及模型降阶与不确定性分析。

4.8.2 机器学习模型

ML广泛用于产率预测、燃料性质估计和过程优化，常用多层感知器神经网络（MLPNN）、SVM、随机森林、ANFIS、PSO-LSSVM等，多数模型R²高于0.95。但催化剂描述符（比表面积、孔结构、金属负载、酸碱功能等）在ML输入中普遍缺失，催化剂感知ML研究仍较少。集成框架将催化剂合成描述符、物理化学描述符、原料与工艺变量及工程输出统一为数据集，形成证据–决策闭环，支持催化剂筛选和实验验证。

5 研究局限性与关键知识空白

5.1 实验局限性

包括原料标准化不足、长期稳定性和金属浸出量化有限、实验室规模偏多、孔结构与传质权衡未解决、金属掺杂环境足迹不明确。

5.2 ML建模方法论局限

数据量小且异质、过度依赖内部验证、可解释性和不确定性量化不足。

5.3 关键研究空白

ML用于金属掺杂AC催化剂系统仍有限，催化剂描述符未纳入数据驱动框架，限制可迁移的催化剂筛选与理性设计。

6 未来研究方向

需要建立标准化开放数据集；开展ML引导的多目标优化以平衡活性、稳定性、孔隙率和环境指标；将浸出与生命周期目标纳入优化；设计双功能催化剂和磁性催化剂；建立稳健的重复使用与再生协议。

7 结论

废弃源金属掺杂AC/生物炭催化剂具有可持续生物柴油生产潜力，但性能受多因素影响，稳定性、浸出、再生和放大仍待解决。未来需将催化剂工程与ML整合到结构–性能–过程–性能框架中，推动催化剂感知的可解释建模和实验验证。