污水污泥-稻草共水热炭化制备固体燃料的数据高效建模与能量导向优化：响应面法与机器学习的基准比较

《Energy Conversion and Management-X》：Data-efficient modeling and energy-oriented optimization of sewage sludge–rice straw co-hydrothermal carbonization for solid-fuel production: Response-surface benchmarking against machine learning

　　

通过17次设计实验捕获了水热炭燃料性能中的权衡关系。二次响应面模型（quadratic RSM）未被机器学习基准模型超越。在没有污泥约束的情况下，平衡方案完全采用稻草原料。在30%污泥约束下，预测的高位热值（higher heating value, HHV）和水热炭能量产率（hydrochar energy yield, HEY）分别为16.09 MJ kg^-1和76.97%。水热炭能量产率衡量的是保留能量，而非净过程效率。

污水污泥与稻草是两类互补性废弃物。污水污泥含水率高、灰分大，稻草是丰富的木质纤维素残渣。将两者混合进行水热炭化（hydrothermal carbonization, HTC）可同步实现两种废物的资源化，但该过程受反应温度、停留时间、配料比等多因素影响，且水热炭产率（hydrochar yield, HCY）、HHV和HEY之间存在此消彼长的权衡。传统响应面法（response surface methodology, RSM）依赖二阶多项式，可能无法刻画复杂非线性；机器学习模型虽灵活，但小样本实验数据下容易过拟合。因此，研究人员基于17次Box-Behnken设计（Box-Behnken Design, BBD）实验，系统比较了二次RSM与多种机器学习模型在留一交叉验证下的预测能力，并结合Pareto优化探索能量导向的工艺条件。该研究的意义在于回答“额外模型复杂度是否真能提升预测性能”这一核心问题，并为污水污泥-稻草共HTC的能量性能优化提供决策依据。

研究方法方面，研究人员以稻秆比例、反应温度和停留时间为自变量，以HCY、HHV和HEY为响应变量，采用BBD设计17次实验。污水污泥取自伊朗德黑兰某市政污水处理厂，稻草取自伊朗吉兰省农田。模型评估采用外层留一交叉验证（leave-one-out cross-validation, LOOCV）；对支持向量回归（support vector regression, SVR）的超参数，分别用粒子群优化（particle swarm optimization, PSO）和遗传算法（genetic algorithm, GA）进行内层五折交叉验证选择，避免信息泄漏；另外构建了RSM-高斯过程回归（Gaussian process regression, GPR）残差学习混合模型。Pareto优化基于完整数据的二次RSM模型，搜索域限制在BBD凸包内，并设置不同污泥比例约束情景。

研究结果如下。第一，实验响应行为与能量性能权衡：通过17次设计实验发现，HCY、HHV和HEY分别在31.60–76.23%、9.50–22.85 MJ kg^-1和45.94–81.80%之间变化。反应温度升高虽提升HHV，但降低HCY和HEY；稻秆比例对HHV有正贡献，停留时间影响较小。第二，BBD-RSM模型的统计充分性与能量性能解释：方差分析显示三个响应模型的回归均显著（p<0.001），无失拟（HCY的p=0.0582接近阈值）。温度是HCY和HEY的主导负因子，稻秆比例是HHV的主要正因子，说明RSM能解释主效应与交互作用，并为后续优化提供基础。第三，代理模型复杂度基准比较：在相同LOOCV框架下，二次RSM对HCY、HHV和HEY的R²分别为0.9676、0.9472和0.9443，全面优于GPR、基线SVR及进化调参的PSO-SVR、GA-SVR；RSM-GPR残差模型未带来额外提升。配对bootstrap分析支持RSM误差显著更小，说明在本实验信息结构下，额外模型灵活性没有产生可测的预测优势。第四，响应面解释与能量导向多目标优化：Pareto优化显示，未约束时，平衡点位于100%稻秆边界（160 ℃，2 h），预测HCY=73.97%，HHV=19.12 MJ kg^-1，HEY=80.60%，但这不满足污泥处理目标。当强制最低污泥比例为50%时，平衡点移至50%稻秆、184.14 ℃、1.29 h，预测HCY=66.36%，HHV=14.24 MJ kg^-1，HEY=73.37%。若污泥比例为30%，则HHV为16.09 MJ kg^-1，HEY为76.97%。这量化了污泥利用与燃料性能的权衡。第五，能量性能权衡的机理解释：对额外制备的响应导向水热炭进行工业分析与元素分析，高碳化程度的水热炭具有更高的碳和固定碳含量、更低的氧含量和原子H/C、O/C比，燃料比（FC/VM）大幅上升；而低温样品保留更多挥发分和氧，与统计模型揭示的权衡方向一致。第六，实际意义、能量考量和局限性：HEY仅衡量固体相保留的原料能量，并非净过程效率；反应器加热、辅助电能等未纳入。Pareto最优解仍属模型预测，需要实验验证；原料来源单一，外推需谨慎。

讨论表明，模型复杂度应与实验设计的信息含量匹配。在17次BBD实验中，二次RSM已充分捕获可学习的信息，更复杂的机器学习算法无法带来预测增益。该结论具有特定数据背景，不能推广为RSM普遍优于机器学习。从能量视角看，HHV最大化不等于能量保留最大化，高HHV往往以牺牲固体回收为代价。而强制污泥利用会改变最优工艺条件，因此过程设计需明确目标优先级。研究结论如下：本研究开发了一个信息高效的框架，用于污水污泥-稻草共水热炭化的建模和能量导向优化，联合评估HCY、HHV和HEY。结果显示存在明显的能量性能权衡：温和条件有利于HCY和HEY，而增加稻秆比例和碳化强度可提高水热炭能量密度，但降低固体与能量保留。二次RSM在留一验证中表现良好，PSO和GA虽改善SVR但未及RSM，RSM-GPR残差模型未提供额外预测价值。在17次实验设计下，额外模型灵活性无实质收益。Pareto优化表明，无约束平衡解位于纯稻草边界，单独优化燃料性能并不保证污泥利用；若要求50%污泥共处理，则平衡条件为50%稻秆、184.14 ℃、1.29 h，预测HCY=66.36%、HHV=14.24 MJ kg^-1、HEY=73.37%。该阈值并非普适要求，应用时仍需实验验证和针对性设定。工业与元素分析为权衡提供了物化证据。最终，运行条件的选择取决于过程目标；提升热值可能降低固体回收和能量保留，而污泥处理要求会引入额外权衡。在放大应用前，还需实验验证、直接过程能量测量、燃烧测试、技术经济评估和生命周期分析。