深度学习在生物质气化炉监测中的应用：一种结合直接长短期记忆预测与递归长短期记忆预测的双重方法

《Renewable Energy》：Deep learning applications for biomass gasifier monitoring: A dual approach with direct and recursive long short-term memory forecasting

动态建模方法在生物质气化过程氢气产量与高热值预测中的应用研究，通过对比单层、双层及混合双向/单向LSTM架构，验证单层LSTM在直接一步预测中具有更优的Root Mean Squared Error（0.038 for H? and 0.034 for HHV）和计算效率。同时采用编码器-解码器LSTM实现5、10、30步递归预测，发现预测误差随步数增加而扩大，但模型仍能作为数字孪生系统支持动态监控。

　　

Kadriye Deniz Olca | ?zgün Yücel

土耳其科贾埃利省盖布泽技术大学化学工程系，邮编41400

摘要

持续监测生物质气化器的输出对于最大化系统潜力至关重要。虽然传统上是通过实验设备来实现这一目标的，但近年来人们对机器学习的关注日益增加。大多数现有研究都集中在稳态预测上，然而本研究通过时间序列预测方法探讨了这些模型的固有局限性。在第一部分中，评估了三种长短期记忆（LSTM）架构用于直接一步预测：单层LSTM、双层LSTM以及混合双向/单向LSTM。结果表明，单层LSTM的表现优于更复杂的架构，其平均均方根误差（RMSE）分别为H₂ 0.038和高热值（HHV）0.034。这些结果表明，可以在较低的计算成本下获得高精度预测。在第二部分中，使用编码器-解码器LSTM进行了递归多步预测，预测范围分别为5步、10步和30步。虽然预测结果与实验趋势相符，但将预测范围从5步增加到30步后，H₂的RMSE从0.085增加到0.18。通过实验折叠法确保了验证的客观性。一步预测模型适用于传感器中断时的实时监测，而多步预测模型则可以作为全面的数字孪生系统。这种双重方法为动态建模提供了坚实的框架，有助于提高运营效率和过程优化。

引言

对替代能源的需求推动了生物质热化学转化的广泛研究和应用。生物质气化及其他生物质转化过程相比传统化石燃料具有优势，因为它们是一种可持续的能源。对替代能源的迫切需求促进了生物质热化学转化的研究。与传统化石燃料不同，生物质气化及相关转化过程提供了可持续的能源框架。氢气作为主要的气化产物，被认为是一种有前景的、环保的、无CO₂的能源。优化和控制气化系统需要对其本质有充分的了解，因此需要开发出有效的数学模型[1]。

生物质气化是指在气体转化剂（通常是空气和O₂-蒸汽）的存在下，将生物来源的原料转化为主要具有高能量值的气态产物（如合成气CH₄、H₂、CO、CO₂）。焦油是这一反应的副产物[2]。

尽管由于生物质来源的多样性、化学性质的复杂性（发生多种化学反应）以及化学反应的多样性，气化系统具有复杂性，但其建模对于确保其有效控制和优化至关重要。描述过程参数（作为输入）与产物组成（作为输出）之间关系的模型有助于提高系统的可预测性。这样的模型可用于预测参数变化（例如原料变化）时系统的行为。因此，开发能够充分包含必要过程信息的连贯模型至关重要。这些模型应足够简单以便理解，并尽可能涵盖系统的不确定性[3]。尽管提出了多种描述气化系统的方法，但基于数据的机器学习模型更为有益，因为它们可以克服传统建模中的过度简化/假设和计算成本问题。

文献综述表明，人工神经网络（ANN）是该领域最广泛使用的机器学习算法[3]、[4]。基本ANN架构已被用于性能预测[5]、[6]，一些研究（如[6]和[7]）依赖于ASPEN Plus模拟结果来训练和验证模型。在参考文献[8]中，使用ANN集成模型来研究空气泄漏及其对气化产物的影响。虽然这种方法成功实现了高预测精度，但底层模型是基于稳态数据构建的。除了神经网络之外，还研究了多种其他机器学习技术来表征气化输出，包括线性回归[9]、[10]、k-最近邻[9]、[10]、支持向量机回归[9]、[10]、[11]、决策树[10]、[12]、随机森林[10]、[11]和梯度提升[10]、[13]。关于上述研究中使用的各种建模架构的详细信息见支持信息S1。Escámez等人（2026年）进行了一项专门针对下行气流气化器实时氢气预测的重要研究。在他们的工作中，提出了集成热成像技术来监测反应器床层温度并将其与氢气输出相关联。他们的发现强调了随机森林回归器在该领域的鲁棒性和整体性能优势[14]。

最近，该领域开始倾向于应用可解释的机器学习模型。参考文献[15]强调了透明性的需求，其中开发了多种模型并补充了特征重要性分析，以展示流化床类型、反应器尺寸和输入变量等因素的影响。类似地，最近提出了一种结合计算流体动力学（CFD）和机器学习的框架，系统地确定操作参数的排序，揭示了气化剂流速对氢气体积分数的显著影响[16]。此外，通过开发物理信息神经网络（PINN）[17]解决了物理可解释性的挑战，这些网络旨在将基本物理定律整合到学习过程中。参考文献[18]还探讨了将热力学一致性整合到数据驱动模型中，用于预测城市固体废物气化器的合成气组成和低热值（LHV）。然而，作者指出该研究使用了平衡假设，从而忽略了潜在的瞬态效应。同样，还使用来自不同原料（从生物质到塑料）在流化反应器中的气化数据开发了物理信息机器学习模型[19]。尽管基于保留集验证获得了高精度，但这些研究主要采用稳态方法，因此很大程度上忽略了气化过程的动态特性和输出的时间变化。

目前文献中开发动态气化模型的努力仍然有限。尽管如此，一些近期研究试图结合时间依赖性以更好地模拟实际反应器的性能。然而，这些现有模型在预测范围和适应能力方面存在显著局限性。Elmaz和Yücel（2020年）使用实验数据开发了具有外源输入的非线性自回归（NARX）神经网络来预测固定床下行气流气化器的产物和高热值输出[20]。Cerinski等人（2020年）也采用了类似的方法，开发了NARX网络并研究了数据采集频率对模型性能的影响[21]。他们发现，随着频率的增加，模型性能有所提高。参考文献[22]阐明了使用煤底灰作为催化剂的棕榈壳催化气化的过程，其中开发了一个成功的NARX模型来预测一步气态产物。最近，长短期记忆（LSTM）也被应用于预测流化床气化器的自由床层、床层和出口温度[23]。作者指出，LSTM的性能优于标准循环神经网络（S-RNN）和门控循环单元（GRU）。Faridi等人（2024年）在他们的研究中扩展了这种方法，开发了一个使用LSTM调节空间区域温度的模型控制器[24]。最后两项研究代表了文献中的一个独特子集，它们利用过去的数据来预测未来序列，但这种方法仅应用于温度预测。在“结果与讨论”部分进一步提供了使用类似方法的研究的详细比较，以强调所提出框架的比较优势。

持续监测和表征气化器流出物对于过程控制至关重要。传统上使用气相色谱（GC）和非分散红外（NDIR）传感器进行物理表征。然而，正如我们之前的研究[19]所指出的，这些方法存在固有局限性，不利于实时监测。虽然GC具有较高的准确性，但分析间隔较长。相比之下，NDIR方法提供快速的数据，但精度较低。因此，本研究中提出的基于时间序列的动态模型便于高频监测，并在间歇性GC采样点之间进行验证。此外，这些模型还为NDIR数据提供了额外的验证层。除了精度问题外，维护、校准或清洁等物理测量中断会导致数据缺失。在这种情况下，所提出的动态模型充当虚拟传感器，确保数据的连续性并克服物理表征设备的局限性。

尽管已经开发出多种模型来预测气化器的性能，但大多数现有文献仍然依赖于稳态假设，这一点也在参考文献[23]中得到了验证。这些模型未能考虑到气化的半批次性质，即变化的生物质高度和非均匀的燃料消耗会创造动态条件。为了弥补这一差距，本研究引入了一种与传统方法不同的动态建模框架，具体表现在以下几个方面：

i.

与大多数现有研究不同，本研究不做出稳态假设，允许考虑实际反应器中出现的瞬态床层温度和气体浓度波动。

ii.

本研究中的第一种动态预测方法是直接一步预测，通过评估和比较三种不同复杂度的长短期记忆（LSTM）架构来实现。

iii.

虽然大多数之前的动态尝试仅限于直接预测和一步预测，但我们的模型同时实现了一步预测和递归多步预测。这种方法作为一个动态数字孪生系统，能够捕捉气化过程的时变复杂性，从而实现H₂产量和HHV的精确实时预测。

iv.

提出了一种新颖的混合方法，结合了直接预测和递归预测方法。此外，还提供了关于独立变量对模型构建贡献的描述性信息，确保了预测过程的透明度。

v.

最后，为了确保无偏的性能评估和统计稳健性，采用了受滚动起源方法启发的“实验折叠”交叉验证技术。

数据预处理

本研究中用于建模的数据来自我们小组之前的实验工作，包含5230个数据点，16个独立变量和2个因变量[25]。进行了5次连续实验，每个数据点每10秒记录一次。操作独立变量的范围如图1所示。温度T₀、T₁和T₂的小提琴图显示它们的值集中在中位数附近。

结果与讨论

生物质气化被认为是一种有前景的替代能源生成方法。本研究的最终目标是开发出强大且准确的深度学习模型，将这些模型的生物质气化产物特征（产物中的氢气百分比含量和高热值HHV）作为时间序列数据进行处理和预测。简而言之，利用过去的实验数据来预测未来序列数据的产品特性。

尽管关于使用这些模型的文献很多

结论

本研究开发了准确的动态模型，使用两种不同的方法预测下行气流气化器的氢气含量和高热值（HHV）：直接一步预测（案例1）和序列到序列递归预测（案例2）。研究表明，传统的稳态机器学习方法不足以捕捉H₂浓度和HHV的序列变化。通过使用动态建模和多步预测

CRediT作者贡献声明

Kadriye Deniz Olca：撰写——原始草稿、可视化、验证、软件、资源、研究。

?zgün Yücel：撰写——审阅与编辑、监督、项目管理、方法论、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文的报告。

致谢

作者感谢编辑和匿名审稿人在改进本文结构和质量方面所做的贡献。