利用DeepTabTransformer与多元线性回归模型对生物质气化炉设计参数进行评估
《International Journal of Hydrogen Energy》:Evaluation of design parameters of a biomass gasifier by using DeepTabTransformer and multiple linear regression models
【字体:
大
中
小
】
时间:2026年04月25日
来源:International Journal of Hydrogen Energy 9.2
编辑推荐:
阿普里·维约诺|尤塞普·苏克拉万|哈菲夫·达菲库罗赫曼|巴尤·阿吉·萨普特罗|法贾尔·阿卜杜勒拉赫曼|贝达·塔萨尔|内文·切利克
土耳其埃拉泽市菲拉特大学机械工程系,邮编23119
摘要
本研究通过热催化气化工艺,实验研究了燃料类型(低阶煤、生活垃圾制成的颗粒物;城
阿普里·维约诺|尤塞普·苏克拉万|哈菲夫·达菲库罗赫曼|巴尤·阿吉·萨普特罗|法贾尔·阿卜杜勒拉赫曼|贝达·塔萨尔|内文·切利克
土耳其埃拉泽市菲拉特大学机械工程系,邮编23119
摘要
本研究通过热催化气化工艺,实验研究了燃料类型(低阶煤、生活垃圾制成的颗粒物;城市固体废物以及这两种材料的50/50混合物)、催化剂(天然催化剂如膨润土和沸石,合成催化剂如氧化铁和碳酸钾)、当量比(0.25、0.29和0.32)、温度以及气体流速等不同参数对气化过程的影响。实验结果通过碳转化效率、冷气效率、低热值以及生成的合成气(氢气、一氧化碳、二氧化碳、甲烷)等指标来体现。研究还采用了深度学习回归模型中的DeepTabTransformer方法对实验数据进行综合参数评估,同时运用机器学习回归模型中的多元线性回归方法对模型进行验证。结果表明,使用天然/有机催化剂共同气化垃圾颗粒物与煤炭,能够显著提升合成气质量与转化效率,并减少焦油的生成。回归分析显示,合成气低热值的R2值为0.941,冷气效率的R2值为0.941,碳转化效率的R2值则为0.994。此外,DeepTabTransformer模型的均方根误差分别为0.1076 MJ/kg(低热值)和0.0102(冷气效率),更低误差值体现了该模型在处理参数间非线性关系方面的优势。
引言
热催化气化是一种在催化剂存在下,将含碳材料(生物质、煤炭、废弃物)在高温条件下转化为合成气(包括氢气、一氧化碳、二氧化碳、甲烷)的工艺。由于合成气在可再生能源领域具有重要意义,因此通过热催化气化工艺生产合成气也日益成为研究热点[1]。
由于结构简单且产生的焦油较少,下行式固定床反应器常被用于气化过程[2]。然而,生物质气化过程中会形成焦油,进而导致管道堵塞、腐蚀以及环境问题[3]。在气化炉中设置多个进气口可降低焦油含量[4],此类设计有助于增强湍流与混合效果,实现温度均匀分布,避免因局部过热而产生焦油[5]。
与热裂解方法相比,催化裂解方法在气化过程中的效率更高[6],但热裂解方法的成本相对较高。无论是热裂解还是催化裂解,催化剂的选择都是影响成本效益的关键因素。因此,结合天然催化剂的使用,可通过热裂解或催化裂解方法获得低焦油、低成本的高质量合成气[7]。另外,利用沸石、高岭土和白云石等天然催化剂,通过热裂解或催化裂解方法,也可为气化过程提供低成本的可再生解决方案。
作为天然催化剂,沸石具有较高的比表面积和择形性,可表现为酸性、碱性或经离子交换处理,且具备优异的热稳定性。膨润土也是一种天然催化剂,其比表面积通常低于沸石,但具有较高的膨胀能力、良好的吸附与粘结性能,还可通过酸活化来提升催化性能[8]。作为非天然催化剂,氧化铁具有较强的氧化还原活性,热稳定性好,且可存在于多种氧化态中[9]。碳酸钾通常作为碱性催化剂或促进剂使用,而非传统意义上的异相催化剂,它具有水溶性,能够增强二氧化碳的吸附能力并促进气固反应。相比之下,氧化铁和碳酸钾这类天然催化剂可作为低成本、高活性的替代品[10],尤其是氧化铁催化剂,已被证实能有效抑制部分氧化过程中的焦炭生成。
如前所述,近年来生物质气化工艺已成为可再生能源生产领域最具前景的热化学转化方法之一。这些工艺中生成的合成气成分受温度、压力和流量等多种因素影响。虽然传统的热化学平衡模型或基于动力学的模型无法完全解释这些复杂的相互作用,但机器学习及深度学习回归模型为解决这一问题提供了有效的替代方案[11,12]。
气化效率的提升依赖于对复杂热催化过程的优化。由于原料种类繁多,对这些反应路径进行建模十分困难,因此需要借助机器学习或深度学习回归模型来预测输出结果并深入理解系统特性[13]。尽管目前已有混合元启发式模型和基于物理规律的神经网络等创新方法,将物理定律融入数据驱动框架以应对这些复杂性,但由于数据不足以及中试验证方面的局限,仍有改进空间[14,15]。不过,这些进展仍受到数据匮乏和中试验证有限的制约,这说明先进的深度学习架构为后续发展提供了良好方向。与传统统计方法相比,机器学习回归模型能够更有效地捕捉非线性关系,提升计算效率,更适合实时控制应用[16]。当前该领域正逐渐转向深度学习,这类技术利用分层架构(如卷积神经网络变换器)实现自动特征提取。深度学习模型通过反向传播和基于梯度的优化方法从大量数据中逐步学习,而传统机器学习模型则依赖明确的指导与特征设计。与需要手动设计特征的浅层模型不同,深度学习模型可直接从原始数据中学习,从而实现对复杂高维系统的精准建模[17]。
商业软件Aspen Plus长期以来被用于气化工艺的数学建模。例如,Gebresilasie等人[18]就利用Aspen Plus对咖啡壳、稻壳和木屑等生物质废弃物的气化过程进行了建模,分析了气流速度、压力和温度对合成气成分的影响。同样,de Paula Oliveira[19]提供了固定床气化的实验数据,并用Aspen Plus模型进行验证,随后又利用该模型训练数据驱动的回归算法,从而建立了物理模拟与统计学习之间的“混合建模”桥梁。
人工神经网络、支持向量回归和随机森林等监督学习方法已被广泛用于预测气体成分与能源效率。例如,Baruah和Baruah[20]表明,人工神经网络模型在预测气化参数时的准确率可超过98%,这些模型能够有效捕捉温度和空燃比等因素对一氧化碳和氢气生成的影响,且在预测合成气低热值时,其运算速度远快于传统物理模型。经过大量数据训练后,这些模型在固定床和流化床气化系统中都能实现可靠的预测性能。Cerinski等人[21]则采用带外部输入的NARX模型,实现了对固定床气化过程中氢气和一氧化碳成分的实时预测。更为先进的是,Faridi等人[22]开发了一种基于模型的深度强化学习算法,用于流化床生物质气化过程,通过结合深度神经网络与基于模型的深度强化学习优化技术,实现了对合成气流量与成分的动态控制,其精度比传统方法高出15%,控制误差则降低了50%。
Li等人[23]采用梯度提升回归方法预测三相产物分布与合成气成分,报告称其预测准确率较高,R2值在0.82至0.96之间。Tuntiwongwat等人[24]将基于Aspen Plus的热力学模型与机器学习算法相结合,用于优化藻类与生物质共气化过程中的氢气产量,最终实现了9.87%的最大氢气产率以及84.84%的熵产效率。Cihan[25]对比了XGBoost、随机森林和梯度提升回归模型,并通过贝叶斯超参数优化方法筛选出最佳模型,结果显示XGBoost模型在预测生物质气化气体成分时表现最优,氢气预测的R2值达到了0.98。Kumar等人[26]从建模角度总结了生物质气化技术,指出基于机器学习的模型在高温操作条件下的预测准确率高于传统热力学模型。Meena等人[27]比较了随机森林、决策树和基于人工神经网络的模型,发现集成方法在预测气体成分方面具有更稳定的性能。Haq等人[28]采用经过元启发式优化的高斯过程回归模型,预测水蒸气气化氢碳化物过程中的合成气成分与氢气/一氧化碳比例,氢气预测的R2值约为0.83。An等人[29]应用随机森林回归方法对煤炭气化过程进行建模与优化,合成气流量预测的R2值达到了0.97。Abdelrahim和Yucel[30]采用高斯过程回归、随机森林和支持向量回归方法预测等离子体气化过程中的合成气成分,其中高斯过程回归模型的R2值超过了0.98。Zhao等人[31]将基于XGBoost的机器学习模型与基于计算流体力学的模拟相结合,用于预测生物质气化过程中的热解产物,使得焦油预测误差从20%降至50%,仅为5%左右。Ukwuoma等人[32]采用带注意力机制的多层感知器模型预测生物质与塑料共气化过程中的氢气产量,其R2值达到了0.997,优于许多传统机器学习模型。Buentello-Montoya和Maytorena-Soria[33]比较了随机森林、人工神经网络和支持向量回归模型在太阳能辅助生物质气化过程中预测合成气性质的效果,发现随机森林模型的R2值为0.942,同时指出蒸汽与生物质的比例以及辐射传热是影响气化效果的最重要参数。Bongomin等人[34]强调,集成型机器学习模型通常具有较高的预测准确率(R2 > 0.9),但目前相关研究中,这些模型的可解释性仍有待提升。
为凸显本研究的创新性与重要性,下文给出了对比表格。如表1所示,Kargbo等人[35]使用标准反应器输入参数优化了蒸汽与碳的比例等热力学参数,而本研究则将进气口结构视为独立变量,探讨了多圆形设计如何具体影响当量比分布——这一因素在其他近期能源转换研究中并未被单独关注。在建模方面,Forootan和Ahmadi[36]以及Ramkumar等人[37]指出,标准人工神经网络在系统级或催化剂预测中应用较为广泛,而本研究则进一步采用了DeepTabTransformer模型,该模型非常适合处理我们特定垃圾颗粒物与煤炭共气化实验所产生的表格形式、非线性数据,其预测精度(碳转化效率的R2值为0.99)高于传统模型。与Salimian和Grisan[38]研究纯甲烷气化过程,或Kargbo等人[35]研究废弃木材气化过程不同,本研究针对的是城市固体废物中的垃圾颗粒物与低阶煤混合物所具有的更高随机性,这种复杂的原料特性使得我们的深度学习模型能够借助先进的注意力机制,这也是其与现有研究中使用的传统回归模型的重要区别所在[39,40]。
实验装置与流程
如前所述,通过在下行式气化炉中引入催化剂以及设置多个进气口,可降低合成气中的焦油含量,从而实现更高效、更环保的合成气生产过程。因此,本研究旨在探索在气化过程中使用天然催化剂(尤其是膨润土和沸石)与合成催化剂(氧化铁和碳酸钾)的差异,为优化气化工艺提供新思路。
温度分布
本节展示了不同反应区域(干燥区、热解区、气化区和还原区)的温度分布情况,并对其进行了分析。图3展示了在当量比为0.32、使用氧化铁和沸石催化剂的情况下,低阶煤在反应器内的温度分布曲线。
气化过程的效率依赖于干燥区、热解区、气化区和还原区这四个不同的温度区间,只有通过这些区域的有效配合,才能将原料转化为合成气。Saleh和Sudarmanta[41]确定了最佳的分解条件……
结论
本研究通过测试不同催化剂、不同当量比以及不同原料组合,旨在找到能够获得最佳合成气成分的优化方案。研究结果表明,使用沸石催化剂可提高气化反应器的反应温度,尤其是在气化区。这一现象表明,随着气化区温度的升高,诸如布杜阿尔反应、炭重整以及水蒸气与甲烷重整等反应会变得更加活跃……
作者贡献说明
阿普里·维约诺:方法设计、实验实施、定量分析。
尤塞普·苏克拉万:实验实施、数据整理。
哈菲夫·达菲库罗赫曼:资源协调、概念设计。
巴尤·阿吉·萨普特罗:方法设计、资金筹措。
法贾尔·阿卜杜勒拉赫曼:实验实施。
贝达·塔萨尔:软件应用。
内文·切利克:论文撰写与修订、初稿撰写、结果验证。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
作者衷心感谢印度尼西亚教育、文化、研究和技术部高等教育总局提供的资助项目[编号1126/UN40.LP/PT.01.03/2024],正是该资助为本研究提供了必要的经济支持。感谢印度尼西亚教育大学技术与职业教育学院汽车实验室为本项工作提供的技术支持。
生物通微信公众号
生物通新浪微博
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