Box–Behnken优化方法与人工神经网络(ANN)- 多项式神经网络- 改进结构模糊逻辑系统(ANFIS)集成模型在利用热活化碱性氧气炉 slag 催化剂进行酯交换反应中的应用

《Canadian Journal of Chemical Engineering》:Box–Behnken optimization and ANN-ANFIS integrated modelling for transesterification using thermally activated basic oxygen furnace slag catalyst

【字体: 大 中 小 】 时间:2026年04月16日 来源:Canadian Journal of Chemical Engineering 1.9

编辑推荐:

  摘要 全球能源需求和环境问题加剧了对可再生和可持续能源来源的探索。因此,本研究重点优化了使用在850°C下热激活的基础氧气炉渣催化剂(BOF 850)进行的废弃食用油(WCO)酯交换过程。优化和建模采用了Box–Behnken设计(BBD)、人工神经网络(ANN)和自适应神经模

  摘要

全球能源需求和环境问题加剧了对可再生和可持续能源来源的探索。因此,本研究重点优化了使用在850°C下热激活的基础氧气炉渣催化剂(BOF 850)进行的废弃食用油(WCO)酯交换过程。优化和建模采用了Box–Behnken设计(BBD)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)。其中,ANN产生了最准确的模型,其均方根误差(RMSE)最小,为0.0985,决定系数(R2)值为0.9710,优于ANFIS(RMSE:0.1780,R2:0.9604)和BBD(RMSE:0.4973,R2:0.98230)。尽管ANFIS在酯交换反应中历史上表现出较强的预测能力,但在本研究中的表现受到数据集规模较小的限制(17个数据点),这突显了其对数据大小的敏感性。通过BBD确定的最佳条件为甲醇与油的比例为23.5:1,催化剂用量为20.4%,反应时间为10.3小时。在这些条件下进行的实验验证显示生物柴油产量为91.73%。方差分析(ANOVA)表明,催化剂用量具有最高的统计显著性(F值:58.08,p值:0.0001),而甲醇与油的比例和反应时间表现出最强的交互效应(F值:42.84,p值:0.0003)。对生产出的生物柴油进行的气相色谱-质谱(GC–MS)分析显示,其组成中饱和脂肪酸占52.7%,不饱和脂肪酸占46.1%,这影响了燃料的性质。因此,研究表明ANN可以有效地使用BOF 850催化剂对WCO进行酯交换建模。

1 引言

全球能源需求和环境问题加剧了对可再生和可持续能源来源的探索。生物柴油通过植物油或动物脂肪的酯交换制得,由于其可生物降解性、较低的排放量和可再生性,已成为传统化石燃料的有希望的替代品。[1] 酯交换反应的效率在很大程度上取决于催化剂的选择和工艺参数的优化。[2] 传统的酯交换过程使用均相催化剂,这些催化剂对高脂肪酸的油敏感,在分离过程中产生大量废水且不可重复使用,使得整个过程成本很高。最近,来自工业废物的异相催化剂因其可重复使用性、环境友好性和降低生产成本的潜力而受到关注。[3-6]

基础氧气炉(BOF)渣是钢铁生产过程的副产品,作为一种低成本、丰富的异相催化剂显示出潜力。然而,需要对其热激活以增强其催化性能,使其成为生物柴油生产的合适候选材料。[7] 尽管BOF渣具有潜力,但仍需系统地优化酯交换反应参数以最大化生物柴油产量。响应面法(RSM)已广泛用于酯交换和其他许多化学过程的优化。[8] RSM结合统计和数学技术来建模和优化多个变量,确定变量之间的个体和交互效应,并最大化所需的响应。[8, 9] 与一次一个变量的经典方法相比,RSM以最高效和经济的方式实现这一点。[10] 应用于酯交换的RSM技术包括Box Behnken设计(BBD)、[11, 12] 中心复合设计(CCD)、[13-15] Taguchi、[16, 17] 和Doehlert矩阵。[18] 在所有这些设计中,BBD相比其他方法具有明显的优势,使其非常适用于RSM。与CCD不同,BBD不需要在极端因子水平下进行测试,从而确保实验更安全、更实用,同时使用更少的实验次数来处理相同数量的因子。[19, 20] 与Taguchi设计相比,BBD更有效地捕捉曲率和交互效应,提供了更高的优化准确性。[21, 22] 虽然Doehlert矩阵提供了均匀的实验空间覆盖范围,[23] 但BBD在设计空间内更均匀地分布点,并且实施起来更简单。BBD特别适合三个或更多因子,提供了良好的旋转性和正交性,确保在整个设计空间内的预测误差均匀。[24] 此外,BBD实验在边缘的中点或中央立方体内进行,避免了不切实际或不安全的条件。[9] 虽然BBD仅限于三级因子,不适合外推,但其效率和平衡的设计使其非常适合资源受限环境下的二次建模和优化。[25]

酯交换过程涉及多个因素(例如温度、催化剂浓度、酒精与油的比例和反应时间),这些因素以复杂、非线性的方式相互作用。[26] 人工智能方法如人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在建模这些非线性关系方面表现出色,与RSM方法相比,能提供更准确的生物柴油产量和质量预测。[27-29] Zafari和Ghaemi、[28] Onu等人、[27]以及Nwosu-Obieogu等人[29]比较了CCD与结合遗传算法(GA)和ANN及ANFIS的建模和优化能力,使用掺有粘土的氯化钡和离子液体(CD-BaCl-IL)作为催化剂进行乳木果脂的酯交换。模型的性能通过均方误差(MSE)和决定系数R2来评估。结果显示ANFIS具有最佳的预测能力,MSE最低(0.000041),GA-ANFIS模型预测的生物柴油产量最高(96.72%)。Samuel等人[30]使用ANN和ANFIS对烟草籽油的酯交换进行了建模。使用R2、平均绝对误差(MAE)和平均绝对偏差(AAD)来评估模型的性能。ANFIS模型更优(R2为0.9786,MAE为1.5311,AAD为1.9124),而ANN模型分别为R2为0.8979,MAE为4.34468,AAD为6.0529。因此,本研究旨在探索将BBD与ANN和ANFIS建模相结合,用于使用热激活的BOF渣作为异相催化剂的酯交换反应,这是一个相对未被充分探索的领域。这种新颖的方法结合了实验设计和先进建模技术的优势,旨在填补文献中的空白,为生物柴油生产提供全面的优化和预测框架,并为可持续能源研究领域做出贡献。

2 材料与方法

2.1 材料

南非ArcelorMittal Vanderbijlpark工厂提供了空气冷却的BOF-S。纯度为99.85%的分析级甲醇和己烷从南非Merck(Pty)有限公司获得。废弃食用油(WCO)来自南非Vanderbijlpark Vaal理工大学的食堂。

2.2 催化剂制备

BOF-S使用棒磨机以1:1.5的样品与棒的比例研磨,直到平均粒径达到300微米。然后将100克研磨后的原始BOF-S放入坩埚中,在850°C的马弗炉中烧灼5小时(BOF-S 850)。烧灼后,使用VERDER SCIENTIFIC Retsch RM 200研磨机进一步粉碎,以获得小于75微米的粒径。

2.3 实验设计

使用BBD设计实验以优化酯交换过程。在本研究中,三个酯交换变量是甲醇:油的比例(A)、催化剂质量负载率(B)和反应时间(C)。响应变量Y是生物柴油产量。每个变量分别考虑三个水平(-1、0、+1),如表1所示。表1. 酯交换反应的工艺变量。

2.4 生物柴油的生产

WCO在110°C下加热2小时以去除水分,然后过滤去除杂质。然后根据BBD生成的随机实验,使用BOF-S 850催化剂将WCO转化为生物柴油,如表2所示。酯交换后分离固体和液体成分、分离生物柴油和甘油以及洗涤生物柴油的程序按照Ali等人[7, 31]描述的方法进行。生物柴油产量使用公式(2)计算。

表2. 酯交换实验结果。运行次数
A: 甲醇/油比例
B: 催化剂负载率
C: 反应时间
实验产量
预测产量

(摩尔)
(重量%)
(小时)
(%)

1
25
25
9.0
86.49

2
15
25
9.0
86.85

3
20
30
9.0
85.84

4
20
25
10.5
90.03

5
15
25
12.0
88.98

6
20
25
10.5
89.39

7
20
30
10.5
90.15

8
20
30
12.0
87.69

9
15
20
10.5
88.84

10
20
20
12.0
88.75

11
25
20
10.5
91.99

12
20
20
9.0
90.08

13
25
30
10.5
88.18

14
25
25
12.0
83.76

15
20
25
10.5
89.98

16
20
25
10.5
88.98

17
15
30
10.5
87.23

确定了最佳条件,并使用这些条件进行了三次重复实验以进行模型验证。

2.5 FAME成分分析

使用带飞行时间质谱仪的气相色谱仪(LECO Pegasus 4D GC × GC-TOFMS)分析生物柴油中的脂肪酸(FA)组成。首先将样品涡旋混合,然后从每个样品中吸取400微升加入GC级琥珀色小瓶(1.5毫升)中,并用1毫升己烷稀释浓度。

2.6 酯交换反应的建模

在MATLAB R2024a中使用ANN和ANFIS对使用BOF-850催化剂的WCO酯交换过程进行建模。这两种软计算技术被用来分析和建模表2中呈现的实验数据集。使用RMSE和相关系数(R)评估和比较ANN和ANFIS模型的预测性能,如公式(3)和(4)所定义。需要注意的是,MATLAB R2024a报告的R对于ANN和ANFIS模型来说,平方后相当于决定系数(R2)。虽然RMSE和R2都用于评估模型性能,但RMSE对于小型数据集提供了更稳健的评估,因为它直接量化了预测误差并惩罚过拟合,而R2主要反映相关性,在数据有限时可能会产生误导。

2.6.1 酯交换反应的ANN建模

使用MATLAB R2024a中的ANN拟合工具箱进行ANN建模。实验数据(表2)被分类为输入变量(工艺参数)和输出变量(生物柴油产量)。在网络配置之前,所有数据都被标准化,以消除变量之间的尺度主导性,提高数值稳定性,加速收敛,增强预测准确性,并防止梯度消失或爆炸。[32, 33] 发现一个具有3-9-1架构(三个输入神经元、一个包含九个神经元的隐藏层和一个输出神经元)的前馈反向传播神经网络提供了最佳的预测性能。17个数据点被划分为训练集(70%)、验证集(15%)和测试集(15%)。网络包含可训练的权重和bias项,连接输入层、隐藏层和输出层,权重控制每个工艺变量对预测生物柴油产量的相对贡献。权重和bias参数在训练过程中使用Levenberg–Marquardt反向传播算法自动初始化和优化,采用MSE作为损失函数。选择Levenberg–Marquardt算法是因为其在处理小型数据集时证明的有效性和快速收敛性,尽管训练算法的选择通常取决于数据集大小、问题复杂性和可用计算资源。优化后的权重代表了酯交换变量与生物柴油产量之间的非线性映射,并体现在模型的预测准确性上。[34]

在隐藏层使用了Sigmoid(logsig)激活函数来捕捉过程变量之间的非线性关系和交互效应,而在输出层应用了纯线性(purelin)激活函数,以便在不施加人为限制的情况下准确预测连续的生物柴油产量。这种Sigmoid-线性配置在基于回归的ANN化学过程建模中被广泛采用,有助于实现稳定的收敛性和高预测性能。[35]

2.6.2 酯交换反应的ANFIS建模

ANFIS是一种混合系统,结合了模糊逻辑和ANN的优点,用于对复杂系统进行数据建模。[36] ANFIS的主要优势在于它可以从数据中学习,同时保持模糊推理系统的可解释性。[37] 所使用的ANFIS模型由五层组成:模糊化层、模糊规则层、规范化层、去模糊化层和总输出层,如图1所示。选择Sugeno模糊推理模型是因为它能够通过在多个线性模型之间插值来建模非线性系统。[38] 表2中的数据集包括所有变量及其生物柴油产量输出,被划分为训练数据(70%)和测试数据(30%)。使用的隶属函数(MF)是高斯MF,它最适合于输入和输出之间存在非线性关系的系统。在学习过程中使用了反向传播技术来调整模糊化层中的隶属函数并减少输出误差。[39] 这与最小二乘估计(LSE)技术相结合,后者用于在去模糊化过程中优化Sugeno线性函数的参数。[40]

图1 开启图示器 PowerPoint

自适应神经模糊推理系统(ANFIS)模型结构。

3 结果与讨论

3.1 模型拟合和方差分析

表2显示了进行的17次BBD实验的实验产量和预测产量。设计软件生成了与实验数据相关性更高的编码模型和实际最佳拟合模型。编码因子对于统计分析和优化很有用,使得变量的相对重要性和效果更容易解释。[41] 编码还有助于稳定数值计算,并使回归模型中的多项式项更易于管理。[10] 另一方面,实际因子对于将实验结果应用于现实世界场景至关重要,因为它们代表了实验实际进行的条件。在本研究中,设计选择了二次模型来最好地使用BOF-S 850催化剂预测生物柴油产量,如方程(5)所示。

从方程(5)可以看出,甲醇与油的比例(A)和反应时间(C)对生物柴油产量有正面影响,其系数为正,而催化剂用量(B)的影响则相反。BBD的ANOVA分析在95%的置信水平(α=0.05)下显示在表3中。模型的F值为43.24,高于F临界值3.6767,p值小于0.0001。这表明由于噪声导致如此大的F值出现的概率为0.01%。F值得到了p值的支持,用于确定对酯交换过程效率的主要影响。A、B、AC、BC、A2、B2和C2项对生物柴油产量具有统计显著影响,p值均小于0.05。许多显著的模型项的存在表明模型很稳健,无需进行模型简化。[42] 甲醇与油的比例和反应时间(AC)之间存在强烈交互作用,p值为0.0003,而催化剂用量和反应时间(BC)的交互作用p值为0.0151。甲醇与油的比例和催化剂用量(AB)之间没有交互作用,p值为0.0626,F值较低(4.89),相比之下F临界值为5.5914。缺乏拟合的F值为0.9657,表明缺乏拟合相对于纯误差并不显著,高缺乏拟合F值可能是由于噪声造成的。这意味着模型很好地拟合了实验数据。此外,方差系数(CV)为0.5652,低于模型可重复性的最大值10%。[43] 可接受的精度(AP)参数,用于衡量信噪比,为25.0339,表明信号强,表明该模型可用于导航设计空间。[44] 模型的相关系数R2、调整后R2和预测R2分别为0.9823、0.9596和0.8652。调整后R2与预测R2之间的最小差异(建议小于0.2)表明所有因素在评估过程的准二次模型中都是显著且有价值的,预测值与实验数据非常接近。[44]

表3 方差分析

模型 平方和 自由度 均方 F值 F临界值 p值
-------- ---------- ---------- ------- --------- ----------
A-甲醇/油比例 96.25 9 10.69 43.24 3.6767 <0.0001 显著
B-催化剂用量 14.36 1 14.36 58.08 5.5914 0.0001 显著
C-反应时间 0.3081 1 0.3081 1.25 5.5914 0.3012 显著
AB 1.21 1 1.21 4.89 5.5914 0.0626 不显著
AC 10.60 1 10.60 42.84 5.5914 0.0003 显著
BC 2.53 1 2.53 10.22 5.5914 0.0151 不显著
A2 17.25 1 17.25 69.76 5.5914 <0.0001 显著
B2 8.00 1 8.00 32.34 5.5914 0.0007 不显著
C2 37.75 1 37.75 152.63 5.5914 <0.0001 显著
剩差 1.73 7 0.2473 0.7272 不显著 纯误差 1.00 4 0.2510 不显著
总计 97.98 16 0.4973 0.9823 25.0339 合适精度

图2显示了酯交换过程中预测产量与实际产量的分布图。结果表明,预测数据与实验数据在Y=X线上有很强的一致性,从而证明了良好的相关性。

3.2 酯交换过程的优化

过程变量的优化是在Design Expert软件上进行的,主要目标是最小化过程变量并最大化生物柴油产量。该软件生成了变量和产量的估计值,其期望水平范围从0到1。值为1表示理想情况,而0表示一个或多个响应超出了期望范围。[8] 优化标准是最小化过程变量并最大化产量,得到的期望值为0.834,最优产量为89.54%。然后更改了优化标准,在设定的过程变量范围内(表4)进行优化,同时最大化产量。这得到了期望值为1,最优产量为92.194%,相应的条件是甲醇与油的比例为23.5,催化剂用量为20.4%,反应时间为10.3小时。在这些条件下进行了三次实验以验证模型,这些实验的平均生物柴油产量计算为91.73%。结果使用BBD方法得到确认,如表5所示,表明产量落在95%的置信区间范围内。因此,BBD可以有效地使用BOF-S 850作为异质催化剂来建模和优化酯交换反应。

表4 优化标准
目标 下限 上限 下权重 上权重 重要性

甲醇/油的比例 在范围内 15.00 25.00 1 1
催化剂用量 在范围内 20.00 30.00 1 1
反应时间 在范围内 9.00 12.00 1 1
产量 最大化 82.36 91.99 1 3

表5 模型验证结果。86个响应的解决方案1
预测均值 标准误差 n SE Pred.
95% PI低 实际均值 95% PI高 产量 92.194 0.497328 1 0.594805 90.7875 91.73 93.6005

3.3 机器学习建模及与BBD数据的比较

3.3.1 神经网络(ANN)建模

使用LM反向传播算法的ANN在监督学习下建立了生物柴油产量与三个过程变量之间的关系。训练、验证和测试的回归图显示在图3中。高的训练R值(0.9969)表明模型与实际目标值之间的拟合非常良好。这表明模型有效地从训练数据中学习,没有显著偏差。验证R值(0.99706)也很高。这表明模型能够很好地泛化到未见数据,基于这种验证性能,确认模型没有过拟合训练数据。测试集的性能显示,模型在完全未见数据上的表现也很好,R值为0.99641,再次表明预测值与实际目标值之间有很强的相关性。ANN生成的模型的整体拟合R值为0.98541(相当于R2为0.9710),表明模型的预测输出与所有数据(训练、验证和测试集)都非常吻合。

图3 显示了训练、验证和测试的回归图。误差分布图(图4)显示了实际目标值和预测输出之间的误差分布。图表显示大多数误差集中在0附近,虽然测试数据的误差值略高,但总体上误差相对较小,表明模型表现良好。训练性能曲线(图5)显示了误差减少了多少以及模型在迭代过程中何时收敛,没有发生过拟合。模型在第2个时代达到了最佳验证性能,使用的总共有500个时代,MSE为0.0097,相当于RMSE为0.0985。在此之后,验证和测试误差开始趋于平稳,表明模型早期就找到了最佳解决方案。

图6 显示了ANFIS模型训练过程中训练误差(RMSE)随时代的减少。RMSE起始值相对较高,约为80,随着训练的进行而持续下降。大约在500个时代后,训练RMSE显著降低,接近零,表明ANFIS模型学习得很好,在训练数据上表现良好。整个ANFIS模型生成的RMSE为0.1780,R值为0.98(相当于R2为0.9604)。图7显示了ANFIS模型的规则视图,显示了根据模糊规则输入如何映射到输出。对于甲醇与油的比例(输入1)、催化剂用量(输入2)和反应时间(输入3)分别设置为20、25 wt.%和10.5小时的情况,ANFIS模型预测的生物柴油产量(输出)为89.6%,共有27条规则。输入隶属函数的活性区域用黄色突出显示,表明对于这种特定的输入组合哪些模糊规则被激活。图8将ANFIS模型的预测(FIS输出,用星号‘*’表示)与实际训练数据(用圆圈‘o’表示)进行了比较。训练数据和FIS输出在大多数数据点上紧密重叠。这表明ANFIS模型表现良好,准确预测了输出。训练数据与模型输出之间的对齐表明模型有效地捕捉了数据中的潜在关系。

表6展示了基于17次实验运行的有限数据集,ANN、ANFIS和BBD模型的性能比较。结果表明ANN实现了最低的RMSE,其次是ANFIS,然后是BBD,显示出更优越的预测准确性。然而,本研究观察到的ANN和ANFIS之间的相对性能与许多已发表的文献(表7)形成了对比,这些文献通常报告ANFIS由于其混合神经-模糊架构而成为更优的模型[53, 54]。这种增加的模型复杂性通常需要更大的数据集来完全捕捉非线性关系。鉴于本研究的数据集规模有限(17个数据点),ANFIS模型可能难以有效学习潜在的模式,导致欠拟合或过拟合。尽管BBD模型的R2略高于ANN和ANFIS,但RMSE被认为是主要的性能指标。这是因为RMSE直接衡量了原始响应单元中的预测误差,并对较大的偏差进行了惩罚,使其在数据集较小时更具可靠性。相比之下,R2主要反映相关性强度,在数据集有限时可能会被人为夸大,特别是在对于灵活的模型而言。因此,在数据约束条件下,RMSE提供了更可靠的泛化性能衡量标准。

表6. 模型性能比较。模型技术

RMSE
R

BBD
0.4973
0.98230
ANN
0.0985
0.98541
ANFIS
0.1780
0.98473

缩写:ANFIS,自适应神经-模糊推理系统;ANN,人工神经网络;BBD,Box–Behnken设计;R,相关系数;RMSE,均方根误差。

表7. 使用现有数据集对建模技术性能的比较。原料

数据集
RANN
RANFIS
RRSM
参考文献

烟草籽油
20
0.8979
0.9786
Samuel等[30]

棕榈仁油
28
0.9926
0.9929
CCD-0.8895
Betiku等[45]

卡兰贾油
29
0.8663
0.94
BBD-0.8499
Kumar等[46]

葡萄酒葡萄
20
0.9976
0.9989
RSM-0.996
Hariram等[47]

大豆油
17
-
0.9918
BBD-0.9411
Kumar和Bansal[48]

吃水油
17
-
0.9808
BBD-0.9669
Mostafaei等[49]

山茱萸油
28
0.9971
0.9991
-
Betiku和Ishola[50]

吃水油
20
0.9994
-
BBD-0.9986
Loryuenyong等[51]

吃水油
20
0.9994
-
BBD-0.9988
Buasri等[52]

吃水油
17
0.9710
0.9604
BBD-0.98230

尽管ANN模型显示了最低的RMSE,表明其在生物柴油产量方面的预测准确性更高,但考虑其他关键方面(如计算成本、可解释性和可扩展性)对于全面比较不同模型来说是重要的。在ANN中,更多的计算时间用于训练和调整隐藏层的最佳数量、神经元以及训练算法的参数。相比之下,尽管ANFIS模型由于模糊逻辑单元(MFs)的调整和规则生成而较为复杂,但在计算上要求较低。基于设计实验的回归分析的BBD方法在计算上要求最低,不需要迭代训练过程。在这项研究中使用的三种模型中,BBD通过其回归方程提供了高透明度,可以清楚地识别过程变量的线性、交互作用和二次效应。另一方面,ANN作为一个黑盒模型,很难追踪输入变量如何影响输出,这在其逻辑需要理解的场合可能会限制其应用。

3.4 过程参数对生物柴油产量的影响

3D表面图(图9A)和扰动图(图9B)展示了甲醇与油的比例以及催化剂用量对产量的综合影响。图表显示了一个明显的最佳区域,在该区域内,两个变量的增加都会提高产量,超过这个区域后,进一步增加会导致产量下降。扰动图还表明,在较低范围的催化剂用量(20 wt.%)下,生物柴油的生产效果比在较高范围(30 wt.%)下更好,最佳用量为20.4 wt.%。从机制上讲,这种行为反映了基本的反应动力学。较高的甲醇与油的比例增加了甲氧基(CH3O?)离子的可用性,[55, 56]这些是碱催化酯交换反应中的重要亲核试剂。同时,增加催化剂用量增加了活性碱性位点的数量,通过降低活化能和增加碰撞频率来加速反应。然而,过量的甲醇会破坏相平衡。甲醇的极性促进了甘油在生物柴油相中的溶解度,导致甘油水解,这是一个逆反应,其中FAME( fatty acid methyl esters)重新转化为单甘酯和二甘酯,从而降低总体产量。[57]此外,过量的甲醇可以形成稳定的乳液,捕获催化剂颗粒,有效使活性位点失活,并引入外部质量传递限制。同样,虽然增加催化剂用量最初可以提高转化率,但超过最佳点后的过量加载会导致催化剂颗粒聚集和浆液粘度增加,这会阻碍混合并减缓反应物向催化剂表面的扩散。通过皂化形成的肥皂也会随着过量碱催化剂的增加而增加,进一步降低产量并使产品分离复杂化。尽管ANOVA分析显示这种交互作用在统计上不显著(p = 0.0626),但表面曲率暗示在两个因素的中间水平上存在轻微的协同效应,这可能在测试范围内不足以达到统计显著性。

图9(在图形查看器中打开):(A) 3D表面图和(B) 扰动图,显示在10.29小时反应时间下,A:甲醇与油的摩尔比和B:催化剂用量(wt.%)之间的交互作用。3D表面图(图10A)和扰动图(图10B)显示,生物柴油产量随反应时间和甲醇浓度的增加而增加,直到达到一个最佳点,之后产量下降。这种抛物线趋势表明存在显著交互作用,ANOVA验证了这一点(F = 42.84,p = 0.0003)。扰动图上的反应时间线表示,在反应时间的较低范围(9小时)比较高范围(12小时)下获得了更高的产量,最佳点为10.3小时。从反应动力学的角度来看,反应时间决定了甘油三酯依次转化为二甘酯、单甘酯,最终转化为FAME的程度。[58]然而,随着系统接近反应平衡,延长反应时间的好处会减弱。超过这一点后,过长的时间可能会促进逆反应或酯的降解,特别是在甲醇浓度较高的情况下。在非均相催化系统中,延长的反应时间还会由于甘油在催化剂表面的积累而加剧扩散限制,从而阻碍对活性位点的访问。[59]同时,过量的甲醇可以使甘油乳化,抑制相分离,并可能逆转酯化过程。[57]因此,最佳组合确保了足够的转化时间,同时避免了不利的相行为和与平衡相关的产量损失。

3.5 生物柴油的脂肪酸组成

生物柴油中存在的脂肪酸类型取决于所使用的原料类型,并且在很大程度上决定了所生产生物柴油的性能,包括其十六烷值、氧化稳定性、冷流动性、粘度、能量含量、润滑性以及排放物的数量和类型。[64, 65]长链(C16以上)饱和脂肪酸具有较高的十六烷值,可以提高点火性能。[66]饱和脂肪酸还使得生物柴油非常稳定,延长了其保质期,由于能量含量高提供了更好的燃油效率,但会释放大量的NOx排放物和颗粒物排放,并且在高温下具有良好的润滑性能。[67]另一方面,含有高浓度不饱和脂肪酸的生物柴油具有良好的冷流动性、在低温下的良好润滑性以及低粘度,但容易氧化和产生NOx排放。[68]因此,选择原料对于平衡所生产生物柴油的性能至关重要。本研究显示了脂肪酸组成的结果,包括保留时间、脂肪酸类型以及每种脂肪酸的百分比含量(见表8)。图12显示了使用GC–MS鉴定的所有脂肪酸的峰值。

表8. 生物柴油的脂肪酸组成。脂肪酸
酸脂
公式
保留时间
面积(%)

1 己酸(S)
C7H14O2
5.61884
1.593

2 辛酸(S)
C9H18O2
8.43137
20.466

3 己二酸(S)
C8H14O4
10.2535
0.515

4 庚二酸(S)
C9H16O4
11.8399
1.021

5 5-氧代四氢呋喃-2-羧酸,乙酯(S)
C7H10O4
12.2541
0.047

6 辛酸,8-羟基-(S)
C9H18O3
12.6475
0.346

7 10-十一烯酸(US)
C12H22O2
12.9346
4.021

8 10-十一烯酸(US)
C12H22O2
13.106
1.063

9 辛二酸(S)
C10H18O4
13.3766
2.977

10 十二酸(S)
C13H26O2
14.5036
8.113

11 奈十一烯酸(S)
C11H20O4
14.8359
11.572

12 戊十一烯酸(S)
C16H32O2
19.0463
6.448

13 7-十六烯酸(US)
C17H32O2
20.2924
40.97

表8表明,所生产的生物柴油由52.7%的饱和脂肪酸和46.1%的不饱和脂肪酸组成。7-十六烯酸、辛酸、十一烯酸和十二酸是含量最高的化合物,分别占总面积的40.97%、20.46%和11.57%。辛酸和十六烯酸的存在表明生物柴油含有中链和长链脂肪酸,这些脂肪酸有助于燃料的燃烧性能,包括能量含量、粘度和冷流动性。二酸的多样性(例如辛二酸、奈十一烯酸)表明存在氧合化合物,这可能会影响生物柴油的氧化稳定性和燃烧效率。

4 结论

使用BBD、ANN和ANFIS技术实现了WCO(废弃烹饪油)酯交换过程的优化和建模。ANN生成的模型性能最佳,其RMSE为0.0985,R2为0.9710,相比之下,ANFIS的RMSE为0.1780,R2为0.9604,BBD的RMSE为0.4973,R2为0.98230。尽管ANN基于RMSE取得了最佳的预测性能,但必须权衡其较高的计算成本和有限的可解释性。ANFIS在准确性和可解释性之间取得了平衡,而BBD在实验设计、模型简单性和实施便利性方面具有优势。因此,模型选择不应仅依赖统计误差指标,还应考虑实际因素,如数据可用性、计算资源以及根据应用背景对模型透明度的需求。BBD模型生成的最佳条件是甲醇与油的比例为23.5 mol:mol,催化剂用量为20.4%,反应时间为10.3小时。在最佳条件下进行的模型验证实验表明,生物柴油产量为91.73%,与模型预测的最佳条件下的92.19%相比,在95%的置信水平范围内。ANOVA分析结果表明,催化剂用量是统计意义最显著的因素,甲醇与油的比例和反应时间具有最高的统计交互作用显著性。通过GC–MS分析得出的生物柴油中的脂肪酸组成显示,这种生物燃料含有52.7%的饱和脂肪酸和46.1%的不饱和脂肪酸,这些成分显著影响了燃料的性能。这些发现证明了BOF 850作为可持续催化剂的潜力,并突显了人工神经网络(ANN)在模拟和优化生物柴油生产过程中的有效性。然而,仍需进行生命周期分析和经济分析以验证该催化剂用于大规模生产的可行性。

作者贡献:
Johra S. Ali:概念设计;撰写初稿;数据收集与分析;审查与编辑;数据分析方法;数据可视化;软件应用。
Hillary L. Rutto:概念设计;验证结果;数据可视化;项目监督;资源协调;项目管理。

致谢:
我们感谢南非范德比耶普克瓦勒技术大学化学与冶金工程系的支持。

资助信息:
本研究项目未获得任何资助。

利益冲突声明:
作为本文的作者,我们声明不存在利益冲突。

同行评审:
为保证透明度,与本文相关的同行评审文件可在此链接查看:https://doi.org/10.1002/cjce.70402

编辑决定函:
2026/03/02

评审员1报告:
2026/02/09

第二轮评审:
2025/09/13

编辑决定函:
2025/04/04

评审员1报告:
2025/03/26

评审员2报告:
2025/03/20

评审员1报告:
2025/03/06

数据可用性声明:
所有数据均已包含在手稿中,如需额外数据,作者愿意提供。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号