机器学习驱动的通过热解将不可回收塑料转化为高附加值产品的工艺优化

《Process Safety and Environmental Protection》：Machine Learning-Driven Process Optimization for Converting Non-Recyclable Plastics into Value-Added Products via Pyrolysis

　　

摘要

塑料和生物质-塑料混合物的热解是将不可回收聚合物转化为热解油和焦炭的有前景的途径。在本研究中，共收集了382个焦炭数据点和434个热解油数据点，包括元素组成、工业分析和工艺参数（温度、反应时间、颗粒尺寸、催化剂浓度和混合比例）。热解油和焦炭数据集分别处理，但共享相同的变量结构，便于比较建模。对进料类型等分类变量进行了编码，连续特征则通过ColumnTransformer进行标准化处理。对异常值进行了检查。使用80%的数据训练了随机森林（RF）、XGBoost（XGB）、AdaBoost和支持向量回归（SVR）模型，并使用Optuna进行超参数优化。对于焦炭，经SHAP特征选择后，XGBoost达到了最高精度（R2 = 0.9810，RMSE = 0.6623），识别出聚碳酸酯与煤焦油沥青按33%混合，在300 °C、60 min、颗粒尺寸为1.5 mm条件下，产率为40.24%。对于热解油，经SHAP特征选择后，RF表现最佳（R2 = 0.9989，RMSE = 0.6772），识别出在石英间歇反应器中，聚苯乙烯以100%混合比例，在580 °C、60 min、颗粒尺寸为2.5 mm条件下，预测产率最高，为90.35%。SHAP分析和偏依赖图显示温度为主导因素，其次是挥发分、固定碳、灰分含量、催化剂浓度和反应时间。扩大数据集、整合热解油组成分析并应用多目标学习方法可进一步提高预测精度并优化产率和产品质量。

引言

日益严重的环境问题、不断增长的人口和经济发展都推动了对可再生能源的需求，以缓解不可再生资源的消耗。生物质目前已被广泛认为是全球主要的可再生能源来源之一（Khanal等，2020）。通过热化学方法，生物质可以转化为更有价值的副产品，包括可冷凝挥发性产物（热解油）、不可冷凝气体和焦炭（Saengsuriwong等，2021；Zhu等，2022）。然而，热解油具有高粘度、高水分和灰分含量、低热值、不稳定和高腐蚀性等特性（Khuenkaeo等，2020）。热解油的高位热值通常为15至20 MJ/kg，仅为传统石油燃料（42至45 MJ/kg）的40%–50%。因此，热解油直接替代石油燃料和化学原料的潜力有限。因此，对热解油的进一步研究对于提供可作为各种应用中燃料或化学原料的液体产品至关重要（Prasertpong等，2023）。

不同塑料含有不同量的挥发分，较高的挥发分通常有利于液体转化（Das和Tiwari，2018）。相比之下，生物质的氢和碳含量较低，导致热解时碳效率低且易结焦。因此，塑料更适合热解。克服生物质局限性的另一种方法是将生物质与塑料共热解，利用塑料中较高的氢和碳含量来提高整体液体产率（Johansson等，2018）。

然而，全球现有的废物管理系统在容量上不足以安全地处置或回收所有废弃塑料，导致环境污染不可避免地增加（Wilson等，2015）。以往研究估计，每年有800万吨大型塑料和150万吨初级微塑料进入海洋（Lau等，2020）。废弃塑料在生态系统中的降解可能需要长达数十亿年（Ilyas等，2018）。替代填埋的方法包括机械回收、化学回收和能源回收。机械回收是将塑料废物重新加工为新材料的过程，但需要昂贵且低效的预分离，消耗大量水资源，并降低可持续性（Masanet等，2002）。相比之下，化学回收更实用且更环保，可将废弃塑料转化为燃料或化学品（Cheng等，2023）。

热解是一种化学回收方法，在惰性气氛中将长链高分子分子降解为较小且较简单的分子。该过程需要在无氧环境中短时间进行剧烈加热，并产生初始挥发分和固体残渣（Wong等，2015；Khatun等，2021）。随后，挥发分冷凝形成液体产物，而不可冷凝气体具有较大的热值，可补偿过程的总体能量（Qureshi等，2020）。热解工艺优化可通过调节运行参数实现不同的产物产率和分布，包括进料特性、热解温度、反应器类型、停留时间、压力和载气流速（Mangesh等，2020；Armenise等，2021）。例如，PP、HDPE和LDPE的热解分别可产生80.1 wt%、84.7 wt%和93.1 wt%的液体产物（Sakata等，1999；Marcilla等，2009），而PS在425 °C下可产生97.6 wt%的液体产物（Liu等，2000）。相比之下，PET和PVC在最佳条件下的液体产率较低，分别为23.1 wt%和12.8 wt%（Miranda等，2001；Ahmad等，2015）。废弃塑料通常是各种聚合物的混合物，这进一步增加了实现高液体产率的难度，实验上通常低于50 wt%（Anuar Sharuddin等，2016）。因此，优化混合塑料的热解参数对于最大化液体产量和提高产品质量至关重要（Cheng等，2023）。

过程建模是解决这些复杂系统的有前景工具，对于工业过程的放大和优化至关重要。由于塑料混合物的异质性，数学模型通常需要基于拓扑的算法（Dubdub和Al-Yaari，2021）。机器学习（ML）已成功预测了生物质、煤和有机固体废物热解的结果（Ascher等，2022；Li等，2021；Wei等，2022）。机器学习可以将输入映射到相应的输出，自动从数据中学习以理解复杂过程（Ascher等，2022）。多种算法，包括人工神经网络（ANN）、基于树的算法如决策树（DT）和随机森林（RF），以及支持向量机（SVM），已被用于热解建模（Mutlu和Yucel，2018；Yaka等，2022）。ANN获得了最多的关注，在预测气化和热解产物方面优于传统模型（Baruah和Baruah，2014）。基于树的方法和SVM方法也展示了成功的应用（Cheng等，2020；Cao等，2016）。本研究旨在建立进料和运行参数与三相热解产物产率和组成之间的关系，比较DT、ANN、SVM和高斯过程（GP）算法，以识别最准确且实用的预测模型（Cheng等，2023）。

Shafizadeh等人（Shafizadeh等，2024）建立了大型生物质-煤共热解数据集，比较了SVR、ANN、RF和GBR模型，发现梯度提升回归达到了最高精度（R2 > 0.96），并突出了温度和混合比例作为最具影响力的特征。Alabdrabalnabi等人（2022）开发了用于生物质-塑料共热解的机器学习和神经网络模型，表明XGBoost和密集NN能以R2≈0.96的精度准确预测焦炭和热解油产率。Chen等人（Chen等，2025）将机器学习与进化算法相结合，表明集成模型在催化生物质热解产物分布预测方面表现最佳，优于加性模型、SVR和ANN模型（R2 > 0.89）。Shahbeik等人（Shahbeik等，2023）使用了进化机器学习框架——结合物理信息特征构建、PCA和六个预测模型——来量化生物质-聚合物共热解产物，其中PSO优化的高斯过程回归器提供了稳健且高精度的产率预测。Zhang等人（Zhang等，2022）应用机器学习根据不同类型的生物质组成和热解条件预测热解油特性，表明基于元素分析的模型最能预测产率、粘度和O/C比，而基于化学组成的模型更能预测热值和H/C比。Li等人（Li等，2022）开发了MLP和ANFIS模型，根据多种进料和热解条件预测焦炭产率和组成，其精度比RF和XGBoost模型高出高达12.7%，并突出了影响预测的关键特征。

近年来，塑料产量增加了二十倍，预计到2050年将超过每年5亿吨（Sardon和Dove，2018）。塑料可以通过热解高效转化为烃类燃料，环境影响最小（Park等，2011；Elordi等，2011）。其高挥发分和低灰分含量使其适合生产油品和气体（Chang，2023；Shrivastava等，2021）。自21世纪初以来，人们对生物质和塑料废物共热解的兴趣日益增长，因为该方法可以减少热解油中的氧含量并增加芳族化合物的选择性，从而提高热解油质量和资源回收效率（Uzoejinwa等，2018）。热解油的产率和质量取决于进料特性、热解条件和进料比例（Dorado等，2015），但运行条件与进料特性之间的相互作用仍未得到充分探索。

尽管已有大量研究将机器学习应用于生物质、煤和混合有机废物热解，但很少有研究专门针对塑料热解或生物质-塑料体系，并使用大规模异质性实验数据集进行研究。现有工作通常依赖于有限的数据范围、简化的运行条件或单一材料进料，使得聚合物组成、过程变量和产物分布之间的复杂相互作用未能得到充分探索。此外，目前没有研究提供基于实验获得的塑料热解数据训练多种机器学习模型的系统性比较。优化研究也很稀少，因为大多数研究仅停留在预测精度层面，并未扩展到算法驱动的多参数优化以最大化热解油和焦炭产率。因此，在开发能够同时预测和优化多种塑料及共热解材料热解结果的稳健且可推广的机器学习框架方面，仍存在明显的空白。

本研究使用包括随机森林、XGBoost、AdaBoost和支持向量回归在内的系列机器学习模型，探讨了进料特性、过程参数与热解油和焦炭产率之间的预测关系。分析纳入了元素组成、工业分析和运行条件，以捕捉控制热分解行为的非线性相互作用。特征选择、SHAP解释和偏依赖可视化用于揭示两种产物中的主导预测因子。此外，使用Optuna框架进行超参数优化，以识别在不同模型架构下最大化产率的最佳条件。这种建模和优化工作流程的结合为热解性能的预测分析和基于条件的增强提供了统一的方法。

片段说明

数据收集与分布

在本研究中，共从受控条件下进行的实验中获得382个焦炭数据和434个热解油数据点。用于编译数据集的文献来源见补充材料，焦炭和热解油数据集分别提供为单独的文件。由于许多收集的研究并未同时报告热解油和焦炭产率，因此分别为焦炭和热解油预测构建了独立的数据集。本……

方法

本研究使用的数据集来源于生物质热解实验的实验记录，特别是与热解油和焦炭生产相关的实验记录。对于每个实验，数据集包含元素组成参数（C、H、N、S、O）、工业分析参数（水分含量、固定碳、挥发分、灰分）和过程参数（温度、时间、颗粒尺寸和基础混合百分比）。催化剂浓度被添加到……

性能评估标准

使用均方根误差（RMSE）和决定系数（R2）对热解油和焦炭预测的模型性能进行评估。这些指标分别量化了预测精度和方差解释能力。其控制方程表示为：

R2 = 1 ? Σ(j=1到N)(Yj ? Ypred,j)2 / Σ(j=1到N)(Yj ? Y?exp)2

RMSE = √[Σ(j=1到N)(Yj ? Ypred,j)2 / N]

其中N为样本总数，Ypred,j为第j个样本的预测值，Yj为实验值，Y?exp为……

一般讨论

在本节中，我们呈现了数据驱动的二元交互图与模型生成的三元偏依赖图之间的比较分析，以评估机器学习框架在多大程度上一致地表示系统的底层行为。三维PDP通过将所有剩余特征在数据集中的联合经验分布进行边缘化，来估计两个特征组合的期望模型预测。图S10(a)表明该模型……

使用文献数据验证模型

通过将预测的最佳热解油和焦炭产率与先前研究中的实验数据进行比较，评估了所开发机器学习模型的有效性。表9显示，预测的聚苯乙烯热解油产率为90.67%。这与表10所示文献中的实验产率（在不同运行条件下范围为87.85%至92%）高度吻合。

对于聚碳酸酯的热解，预测的焦炭产率为39.68%，而……

**未来展望**

未来的研究应侧重于扩大实验数据集，以提高本研究开发的机器学习模型的鲁棒性和泛化能力。在更广泛的温度范围、停留时间、催化剂类型以及多样化的生物质-塑料混合物中收集额外数据，将有助于降低模型的不确定性，并更好地捕捉非线性过程行为。此外，利用GC-MS或GC-FID整合热解油组分分析，将能够实现对……的预测

**结论**

本研究采用了四种机器学习模型——随机森林（RF）、XGBoost（XGB）、AdaBoost和支持向量回归（SVR）——来预测塑料及生物质-塑料混合物热解的热解油和焦炭产率。共收集了382个焦炭实验数据点和434个热解油实验数据点，涵盖了进料元素组成（C、H、N、S、O）、工业分析（水分、挥发分、固定碳、灰分）以及工艺参数（温度、反应……

**CRediT作者贡献声明**

Farhang Jalali：撰写–审阅与编辑、监督、方法论。Preni Davoudi：撰写–审阅与编辑、撰写–初稿、可视化、验证、软件、方法论、调查、数据整理。Sahand Azadvar：撰写–审阅与编辑、撰写–初稿、可视化、监督、项目管理、方法论、概念化。TAVAKOLI Omid：撰写–审阅与编辑、监督、资源、项目管理、方法论、资金获取，

**利益冲突声明**

作者声明，他们不存在可能影响本文所报告工作的任何已知的竞争经济利益或个人关系。Omid Tavakoli报告称，德黑兰大学为其提供了行政支持。Omid Tavakoli报告称与德黑兰大学存在雇佣关系。若有其他作者，他们声明不存在可能影响本文所报告工作的任何已知的竞争经济利益或个人关系。

Preni Davoudi | Sahand Azadvar | Omid Tavakoli | Farhang Jalali