生物质与废塑料自适应进料共气化：机器学习驱动的技术经济与环境评估

《ENERGY CONVERSION AND MANAGEMENT》：Feed-adaptive co-gasification of biomass and waste plastic: A machine learning-guided techno-economic and environmental assessment

　　机器学习指导框架评估生物质与废塑料共气化。机器学习预测合成气，样本外平均R2为0.807。通过TEA/LCA模拟和评估氢气与电力生产路径。塑料类型、原料成本和碳负荷决定系统的可行性。原料可用性场景改变经济和环境最优解。## 引言在确保燃料、电力和化学品安全供应的同时实现净零排放，需要可扩展的路径来对异质性含碳废物进行增值利用[1]。近年来塑料生产和废弃物大幅增长，在"一切照旧"情景下，预测仍将持续增长[2]、[3]。与此同时，农业和林业产生的生物质残余物仍然广泛可用却未被充分利用，尽管生物能源在低碳能源系统中已被认可，且与碳捕集与封存（BECCS）结合时可产生负排放潜力[4]。这些趋同的压力——废物管理、气候目标和能源系统韧性——扩展了人们对热化学转化路径的兴趣，这些路径能够接受混合固体原料并产生有价值的化学品和能源产品。在热化学选择中，气化将含碳固体转化为合成气，可用于发电、制氢、合成燃料或化工生产[5]。此外，气化能够处理各种固体废物和燃料，并可同时处理多个进料流股，且可在单一转化装置内完成[6]。在此背景下，生物质与废塑料共气化正成为一条战略重要的路线。除同时增值利用废塑料和可再生生物质的实际优势外，在鼓泡床、下抽式和气化炉中的研究均一致报道了共气化中的反应协同效应[7]、[8]、[9]、[10]、[11]。塑料贡献富含氢的挥发分并提高有效H/C比，从而促进生物质衍生的含氧化合物裂解和重整，而生物质则提供焦碳和催化矿物质物种，支持异相还原和焦油去除[12]、[13]、[14]。Lopez等人报道，高密度聚乙烯（HDPE）共进料减少了焦油并提高了碳转化效率，直接证实了焦油和焦碳转化的协同效应[15]。Wilk和Hofbauer进一步表明，生物质与塑料混合物产生的产品气多于预期，且焦油、CH?和C?H?浓度较低[16]。Parrillo等人发现，含生物质混合料抑制了焦油和轻质碳氢化合物，同时提高了碳转化效率[17]，Fazil等人表明，低密度聚乙烯（LDPE）的添加增加了氢气、CO和气体热值[18]。此外，混合配料还可缓解原料特定的操作问题——塑料表现出粘性熔融行为且几乎不形成焦碳，而生物质则为关键的固-气还原反应提供焦碳——从而支持更广泛的反应器构型下的稳定转化[19]。在系统层面，共气化具有多项优势。与将每种原料分别通过各自的气化和下游净化系统处理相比，共气化通过允许多个进料流股共享这些工艺装置来降低总投资成本。此外，鉴于生物质可用性通常具有季节性，而废塑料流股在成分和收集率方面存在差异，共进料使两种供应流股能够互补，提高整体供应的稳健性[20]。此外，生物质与废塑料的进料比可以针对政策和市场条件（包括碳税、碳强度阈值、回收目标和原料价格变化）进行动态调整。这些特点使共气化不仅作为一种反应概念具有吸引力，也作为废物制X平台的候选方案具有吸引力。然而，量化这些优势需要一个能够捕捉原料依赖协同效应的模型，同时产生适用于下游过程模拟的输出，这仍然具有挑战性[21]。气化涉及一系列热化学阶段，包括干燥、热解、氧化和还原，并进一步涉及水煤气变换（WGS）、甲烷重整和Boudouard反应等反应[22]、[23]。为解决这一问题，以往的研究采用过平衡模型[24]、[25]、[26]，动力学模型[23]、[27]、[28]，以及数据驱动的机器学习（ML）模型[29]、[30]、[31]。平衡模型计算效率高，但在隔离单个反应效应方面能力有限，无法轻易捕捉焦油形成或反应器构型效应。动力学模型提供更大的机理细节，但它们需要的反应路径和参数在多种原料组合和反应器中几乎不可获得。ML模型可以从实验数据集中学习原料特性、操作条件与合成气组成之间的直接关系，并已应用于在不同气化剂下优化氢产率、氢与CO比以及低位热值[32]、[33]、[34]、[35]。例如，Hasanzadeh等人采用响应面法作为数据驱动的建模方法，从聚乙烯气化中预测气体产率、冷气体效率、CO?排放和合成气热值，随后对操作条件进行多目标优化[36]。然而，大多数ML研究仍然局限于反应器层面的预测，很少将这些预测与下游过程模拟、技术经济评估（TEA）、生命周期评估（LCA）和区域决策联系起来。如表1所述，以往的共气化研究通常仅涉及该链条的部分环节——反应器建模、过程模拟、TEA/LCA和优化——而非将它们整合到单一的评估框架中。因此，关键的研究空白不仅仅是预测合成气组成，而是将原料依赖的反应行为转化为物料和能量平衡、经济与环境绩效以及特定的操作策略。为解决这一空白，本研究开发了一个将反应器层面预测与过程合成和系统层面决策联系起来的综合框架。具体来说，该框架结合了四个要素：(i) 根据原料特性和操作条件用ML预测合成气组成，(ii) 模拟氢气和电力生产路径的过程模拟，(iii) 用TEA/LCA量化操作空间内的经济和环保绩效，以及(iv) 在州级原料可用性约束下的基于场景的优化。通过耦合这些要素，本研究将共气化评估为一种原料自适应的废物制X平台，而非孤立的反应器技术。由此产生的框架为根据经济和环保绩效筛选原料组合、操作条件和区域特定场景提供了依据。## 各章节摘要### 问题描述本研究旨在开发并分析一个基于生物质与废塑料共气化的集成、原料灵活的合成气增值系统，并确定在空间变化的原料可用性条件下最合适的下游利用路径和原料自适应操作策略。如图1(a)所示，生物质和废塑料共同进入蒸汽气化炉或空气气化炉以产生合成气，随后将合成气引导至下游进行氢气或电力### 共气化数据整理本研究使用的数据集从生物质与废塑料共气化过程的实验研究中汇编而成。从文献中共收集了188个生物质与废塑料共气化的实验数据点。其中，113个数据点包含原料表征、原料混合比、气化操作条件和合成气组成的完整信息，这些信息共同定义了基于ML的反应模型### 基于ML的共气化反应器性能按照第3.2节所述的筛选程序，合成气预测模型被分为三组：第(1)组用于CO?、H?和C?H?，第(2)组用于CO，第(3)组用于CH?。MLP-based配置在第(1)组和第(2)组中被选中的频率最高，而MLP、CatBoost和随机森林在第(3)组中仍具有竞争力，反映出CH?预测的更大难度。随后将各目标组的预测结果合并，得到五组分干### 结论本研究开发了一个综合框架，用于将异质性生物质-塑料共气化实验转化为过程和系统层面的性能指标。该框架结合了基于ML的反应模型、受约束的合成气流重建、下游过程模拟、基于代理的TEA/LCA以及原料约束优化。该工作流程旨在利用目前可用的实验数据，而非寻求一个普适的共气化预测器### CRediT作者贡献声明**Im Hyeonseo：** 撰写 – 原稿、可视化、软件、方法论、概念构思。 **Choi Heehyun：** 可视化、软件、方法论、数据整理、撰写 – 原稿。 **Kim Jiyong：** 撰写 – 审阅与编辑、监督、项目管理、资金获取。### 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，这些可能影响本文中报告的工作。### 致谢本研究由韩国贸易、工业与能源部（MOTIE）资助的《碳中和产业战略技术开发计划》（RS-2023-00261088）支持。Im Hyeonseo|Choi Heehyun|Kim Jiyong