《Biomass and Bioenergy》:Hybrid random forest and GA-optimized ANFIS modeling for predicting biochar, bio-oil and syngas yields in microwave biomass pyrolysis
编辑推荐:
微波辅助热解生物质生成产物预测的混合随机森林-遗传算法优化自适应神经模糊推理系统研究。通过227组实验数据构建的混合模型(RF+ANFIS-GA)有效预测了生物油、生物炭和合成气产量(R2>0.98,MAE<1.5)。催化剂类型(碳材料、沸石、金属氧化物等)作为分类变量显著影响微波吸收和反应选择性。敏感性分析表明碳含量(油产率)、挥发性物质(炭产率)和温度(气体产率)起主要作用。该框架为微波热解工艺优化提供可靠工具。
Ramesh Potnuri | Rangabhashiyam Selvasembian
环境科学与工程系,SRM大学-AP工程学院与科学学院,阿马拉瓦蒂,安得拉邦,522240,印度
摘要
微波辅助热解是将生物质转化为生物油、生物炭和合成气的一种先进方法。由于原料特性和操作参数之间的复杂相互作用,准确预测产物产量仍然具有挑战性。在本研究中,使用了227次实验运行的综合数据集来开发一个混合建模框架,该框架结合了随机森林(RF)回归和遗传算法优化的自适应神经模糊推理系统(ANFIS-GA)。催化剂类型(包括碳类型、沸石、金属氧化物和碱)被作为分类输入变量,以考虑其对微波吸收和反应选择性的影响。RF模型使用生物质组成、催化剂类型和操作参数作为输入,但预测准确性有限(R2 < 0.72)。混合ANFIS-GA模型有效地捕捉了这些非线性关系,实现了更高的产物产量预测准确性(R2 > 0.98,MAE < 1.5,MSE < 5,RMSE < 2.3)。敏感性分析表明,灰分含量主要影响生物炭产量,碳含量影响生物油产量,而温度则强烈影响气体生成。这些发现与已报道的微波热解趋势一致。所提出的混合框架提供了可靠的预测能力,并支持基于数据的微波生物质热解过程优化。
引言
现代技术的进步和经济增长在很大程度上依赖于能源来生产有价值的商品。虽然有替代能源可用,但由于成本较低,化石燃料仍然是最广泛使用的能源。然而,这些燃料是不可再生的,并且会导致环境退化[1]。为了减少对这种不可持续资源的依赖,全球的努力正转向风能、地热能、太阳能、潮汐能、水能和生物质能等可再生能源[2]。其中,生物质作为一种有前途的绿色能源脱颖而出,因为它具有多功能性和丰富性。它可以转化为固体、液体和气体燃料,以及有价值的化学品[3]。生物质还具有成本效益且易于分解,使其成为转化为生物燃料和生物气的理想候选者,作为可持续能源的替代品[4]。人们对利用生物质进行生物质能和生物燃料生产的兴趣日益增长,这源于迫切需要解决化石燃料枯竭问题并减轻其负面环境影响[5]。随着化石燃料的持续减少,全球的研究人员越来越关注通过各种热化学转化技术将废弃生物质转化为碳氢化合物基燃料[6]。五种主要的热化学转化过程被广泛认可:直接燃烧、热解、气化、液化和热解[7]。热解过程所需的能量可以通过传统加热技术或微波辅助加热方法提供[8]。在传统热解中,将生物质原料从室温加热到目标热解温度通常需要较长的时间,因为热传递机制较慢。为了克服这些限制,开发了先进的热传递技术,尤其是微波辅助热解(MAP)[9]。
在MAP中,通过微波辐照实现的体积加热能够快速启动生物质热解。MAP相比传统方法具有许多优势,包括更低的活化能、改进的热和质量传递、降低的总体能耗、更高的能源效率以及有效去除生物质中的水蒸气[10]。在MAP中,热量主要在生物质原料内部产生,因为微波能量诱导分子运动和极性分子内的偶极旋转,从而实现均匀高效的内部加热[11]。与传统热解类似,微波辅助热解显著减少了反应时间,提高了产品质量,并降低了原料的预处理要求[12]。MAP已有效应用于多种原料,包括木质纤维素生物质、聚合物、废弃塑料和煤炭[12]。常用的木质纤维素材料包括作物残渣(如甘蔗渣、玉米秸秆、小麦秸秆、稻草)以及木质生物质(如木屑和锯末)[13],[14]。最近的研究进一步证明了工业污泥和生物质的微波辅助共热解的有效性,其中协同作用显著影响了产物分布和质量。然而,这些研究主要集中在实验观察上,MAP系统的先进预测建模框架的开发仍然有限[15]。
人工智能(AI)和混合建模技术在预测热化学系统的复杂非线性行为方面受到了越来越多的关注[16][17]。各种研究探索了机器学习和软计算模型,以捕捉生物质物理和热组成、热解操作条件以及三相产物产量之间的关系[18]。此外,最近的研究提供了关于在生物质热化学转化中应用机器学习技术的全面见解,包括XGBoost、深度学习和混合优化框架等先进算法,以提高预测准确性[[19],[20],[21]]。Zeeshan Ul Haq等人(2022年)报告称,将机器学习与遗传算法(GA)和粒子群优化(PSO)结合使用,显著提高了生物炭产量的预测和过程优化[22]。Li Z等人(2021年)开发了PSO-ANFIS和GA-ANFIS混合模型,根据生物质组成和过程变量估计生物油产量,实现了高预测准确性。他们的研究表明,元启发式优化可以显著提高ANFIS模型的性能[23]。同样,Aghbashlo M等人(2021年)应用了智能建模,包括GA-ANFIS,来描述生物质热解动力学,强调了神经模糊方法捕捉热分解动态的潜力[24]。Olatunji等人(2021年)使用GA-ANFIS模型根据近似分析数据预测生物质的元素特性,表明遗传算法优化有效地改进了模糊隶属度调整。同样,Ullah等人(2023年)比较了几种机器学习算法(包括RF、ANN、XGBoost和ANFIS混合模型)来预测热解产物产量,并得出结论,混合优化方法对于捕捉复杂的非线性依赖关系至关重要[25]。Onokwai等人(2025年)报告称,GA-ANFIS和PSO-ANFIS模型在优化中间热解的生物炭产量方面优于响应面方法(RSM),证实了混合软计算工具在模拟热解系统方面的优越性[26]。尽管这些研究已经证明了GA-ANFIS和其他混合AI框架在传统热解中的有效性,但尚未有研究报道使用此类先进混合模型进行微波辅助催化生物质热解。
此外,最近的研究提供了关于在生物质热化学转化中应用机器学习技术的全面见解,包括XGBoost、深度学习和混合优化框架等先进算法,以提高预测准确性。例如,Zeeshan Ul Haq等人报告称,将机器学习与遗传算法(GA)和粒子群优化(PSO)结合使用,显著提高了生物炭产量的预测和过程优化。
据作者所知,此前没有研究报道使用混合随机森林(RF)回归和ANFIS-GA框架来预测生物质微波辅助热解(MAP)的生物炭、生物油和合成气产量。在本研究中,通过将RF算法的特征选择能力与ANFIS结合,并通过GA进一步优化,开发了一个混合建模框架。该模型结合了详细的原料特性、操作参数和催化剂特性(活性炭、金属氧化物和基于生物炭的材料),以高精度预测三相产物产量。模型中考虑了催化剂的影响。此外,还应用了部分依赖图(PDP)和参数敏感性分析来解释输入变量的相对贡献,并揭示它们在关键反应路径(包括初级解聚、二级裂解和生物炭稳定)中的机制意义。总体而言,这种混合RF-ANFIS-GA框架填补了数据驱动预测与催化剂辅助微波生物质热解优化和可持续生物燃料生产之间的空白。
实验数据框架构建
实验数据框架构建
为了对生物质微波辅助热解(MAP)进行建模,从过去15年发表的相关实验研究中编译了一个庞大而全面的数据集。数据来自多个科学平台,如Scopus、Wiley Online Library和Google Scholar。搜索使用了关键词“生物质”、“微波热解”和“机器学习”。在初步筛选过程中,仔细检查了标题和摘要,仅包括与基于微波的生物质相关的研究。
输入和输出变量的统计分析
在模型训练和验证之前,对数据集进行了全面的统计分析,以评估分布特征、识别潜在的异常值,并确保数据的可靠性。为所有输入变量(C、VM、H、MC、N、FC、S、灰分、O、时间、温度、加热速率和重量)绘制了直方图,以可视化它们的频率分布,如图2(a)–(d)所示。
图2. (a)展示了生物质的最终分析分布。
结论
开发了一个结合RFR和ANFIS-GA的混合建模框架,用于预测生物质微波辅助热解的产物产量。使用包含生物质组成和反应参数的227个实验数据集,RFR模型捕捉到了中等的非线性关系(R2 ≤ 0.72),而ANFIS-GA模型通过有效学习复杂的热化学相互作用实现了更高的准确性(R2为0.98-0.99)。敏感性和部分依赖性分析确定了碳、挥发性物质和加热等因素的影响。
作者贡献声明
Ramesh Potnuri:概念化、数据整理、正式分析、方法论、软件开发、验证、可视化、初稿撰写、审阅与编辑。Rangabhashiyam Selvasembian:概念化、正式分析、资金获取、调查、资源协调、监督、审阅与编辑。
利益冲突声明
作者声明本研究未从公共、商业或非营利部门的资助机构获得任何特定资助。
致谢
我们感谢SRM大学-AP在SRMAP/URG/SEED/2023-2024/021项目以及ASEAN-India合作研发计划(属于ASEAN-India科技发展基金 -CRD/2024/000712项目)下的财政支持。