紫檀树皮的全面热解分析:动力学、热力学及机器学习辅助的参数预测

《Journal of Environmental Chemical Engineering》:Comprehensive Pyrolysis Analysis of Bael Bark: Kinetics, Thermodynamics, and Machine Learning-Assisted Parameter Prediction

【字体: 大 中 小 】 时间:2026年07月22日 来源:Journal of Environmental Chemical Engineering 7.5

编辑推荐:

  摘要对番石榴树皮(Aeglemarmelos,简称AM)进行了400至600°C范围内的热解实验,以获得生物炭、生物油以及不可凝气体等多种产物。在400°C时,AM生物质热解产生的生物炭量最高,为46.23%(重量百分比);在450°C时,生物油产量达到最大值,为43.54%(重

  

摘要

对番石榴树皮(Aeglemarmelos,简称AM)进行了400至600°C范围内的热解实验,以获得生物炭、生物油以及不可凝气体等多种产物。在400°C时,AM生物质热解产生的生物炭量最高,为46.23%(重量百分比);在450°C时,生物油产量达到最大值,为43.54%(重量百分比);而在600°C时,产生的不可凝气体量最多,为38.87%(重量百分比)。随着热解温度的升高,生物炭的表面积也会增加,在550°C时其表面积达到最大值,为13.179平方米/克。在较低的热解温度下生成的生物油中含有大量酮类物质,占比达45.8%(重量百分比),而较高温度下生成的生物油则含有更多酚类物质,占比为22.87%(重量百分比)。通过主图法和Criado技术,研究了AM热解过程中的复杂化学机制。为评估AM的热降解动力学,研究人员采用了三种等转化模型:Ozawa–Flynn–Wall模型、Kissinger–Akahira–Sunose模型以及Starink模型。除了传统的等转化动力学分析方法外,还开发了一种基于提升回归树的人工智能框架,用以建立热解条件与动力学-热力学参数之间的非线性关系。这种混合分析方法能够准确预测活化能、焓值、熵值以及吉布斯自由能,显示出人工智能在快速、可靠地分析生物质热解过程方面的巨大潜力。

引言

作为一种可替代石油和煤炭燃料的可持续且环保的能源来源,生物质近年来受到了广泛关注[1]。由木质纤维素制成的生物燃料属于第二代生物燃料,这类燃料的来源十分丰富,具有更广泛的适用性[2]。燃烧、气化以及热解是三种将生物质转化为高附加值产品的主流热化学方法。
热解是一种在无氧环境下将生物质转化为生物油、炭以及不可凝气体等有用产物的热化学过程[3]。这是一种极具前景的技术,它允许使用多种不同的原料,同时还能将温室气体的产生量降至最低水平[4]。热解过程中的加热速率、接触时间以及温度范围等操作参数会显著影响产物的产量和组成[5]。通过生物质热解得到的生物炭可被用作各种化学反应中的催化剂,也是一种经济实惠且环保的碳源,同时还具备改良土壤的功能[6]。生物油中包含酚类衍生物、烷烃、芳香烃,以及少量酮类、胺类、醇类、酯类和醚类物质[7]。生物油的质量极易受到所用生物质种类、生产工艺以及操作条件等因素的影响[8]。与石油燃料相比,生物油的质量较差,这是因为它具有较高的酸度、水分含量,较低的热值,同时还具有腐蚀性[9]。理想的生物油生产原料应具有较高的纤维素浓度、较高的热值,以及较低的木质素、灰分、氧含量和硫含量[10]。
热重分析是一种用于研究生物质在热解过程中热降解动力学特性的有效方法。在热分析中,可以通过两种方法来测定分解动力学参数:基于模型拟合的方法和无需模型的方法。线性微分法(Friedman法)以及Ozawa-Flynn-Wall模型和Kissinger-Akahira-Sunose模型这类线性积分法,都属于常见的无需模型的等转化分析方法[11]。不过这类方法的局限性在于,它们是通过简化后的温度积分模型来拟合实验数据,从而导致在计算活化能Eα和指前因子A时出现误差[12]。
生物质热解过程本质上十分复杂且呈非线性特征,因此很难用传统的物理方法对其进行建模。近年来,机器学习逐渐成为预测和描述热解行为的一种有力工具。机器学习算法能够处理非线性问题和不确定性,因此非常适合用于优化和开发生物质热解工艺。目前,人工神经网络、提升回归树、支持向量机、随机森林以及K最近邻算法等机器学习方法和统计方法已被广泛应用于提升动力学研究的预测精度[13][14]。研究表明,这些预测模型能够很好地再现许多复杂的反应过程。不过在处理复杂数据时,尽管人工神经网络在预测动力学参数方面表现优异,但也可能出现过拟合现象。C&RT模型的优势在于其可解释性强,便于人们理解决策过程,同时它还能够处理非线性关联和缺失数据的问题。与传统的统计方法相比,提升回归树模型通过采用提升算法来预测动力学数据,从而提升了预测的准确性。K最近邻算法则是一种灵活且易于使用的监督式机器学习方法,既可用于分类任务,也可用于回归分析。该算法的核心原理是:在特征空间中,具有相似特征的数据点会彼此靠近。算法则是通过判断新获取的数据点与完整训练数据集中的数据点之间的距离来做出预测[15]。
Khan等人(2025年)利用人工神经网络、C&RT模型、提升回归树模型以及K最近邻模型,对纺织污泥的热降解过程进行了活化能预测,其中人工神经网络模型的预测效果最佳,R2值为0.999[15]。Arslan Khan等人(2024年)则使用人工神经网络模型和提升回归树模型来预测杏仁壳热解过程中的活化能,结果发现提升回归树模型的预测系数略高,R2值为0.9915,均方误差为2.309,均方根误差为1.519,而人工神经网络模型的相应数值分别为R2=0.9908,均方误差为2.489,均方根误差为1.578[16]。Imtiaz Ali等人(2023年)在不同加热速率下对废弃大麻进行了热解实验,并运用提升回归树模型来预测活化能,其预测结果与Friedman法得出的活化能值高度一致,均方根误差为5.271,R2值为0.988[17]。Suluh Pambudi等人(2025年)研究了经氧化处理的咖啡渣,他们使用了四种机器学习模型进行预测,其中K最近邻模型的表现最佳,在包含热重分析和导数热重分析数据的验证集中,其R2值为0.9904,均方根误差低于0.9552[14]。Ankita Tagade等人(2025年)则利用人工神经网络模型来预测指状小米秸秆在热解过程中的质量损失情况,该模型取得了R2值为0.994的良好预测效果,同时其均方误差仅为0.684[18]。机器学习模型能够通过输入和输出数据轻松分析复杂的工艺过程,它们不仅能提供有价值的信息,还能实现精准的预测。目前大多数用于热解研究的机器学习模型都能预测产物的产量,以及在一定程度上预测该过程的活化能。仅有少数研究同时预测动力学参数和热力学参数。若要实现工艺的规模化应用,就需要借助非线性回归模型对活化能、指前因子以及焓值、吉布斯自由能、熵值等热力学参数进行深入研究。
为了提高木质纤维素生物质热解后所得产物的产量和质量,有必要研究不同操作条件对不同原料热解转化为高价值产物过程的影响[19]。目前大多数研究都集中在稻壳、椰子壳、塑料废物、农业废弃物等各类纤维质生物质上,而仅有少数研究对比过以硬木为原料的生物质热解产物。此外,那些用于加工多种硬木原料的锯木厂产生的残余物也较少被研究。未来需要开展更多研究,以便了解并比较不同硬木原料热解产物的特性。由于目前对这类原料的研究相对较少,本研究选择了番石榴树皮作为研究对象。本研究的主要目的是探究在不同热解温度下番石榴树皮各类产物的生成规律及产量,同时还将利用机器学习方法预测番石榴树皮热解过程中的活化能以及各类热力学参数。

内容片段

原料

用于研究的番石榴树皮生物质样本是从印度奥里萨邦鲁尔克拉的国立技术学院采集的。这些生物质样本首先经过机械粉碎,使其颗粒尺寸控制在600微米左右,这样可以避免较大颗粒带来的热量传递限制,之后再将样本干燥并储存起来以备后续使用。关于生物质样本、生物油以及生物炭的表征方法,此前已有相关文章进行过介绍[20]。

实验装置

图S1展示了一个半批量热解用不锈钢反应器的结构示意图,该反应器包含

AM生物质的热重分析

图1的a和b部分展示了AM生物质在10、20以及30摄氏度/分钟的不同加热速率下的热重分析以及导数热重分析结果,这些图表清晰地呈现出了木质纤维素生物质典型的多阶段分解特征。随着加热速率从10摄氏度/分钟升高到30摄氏度/分钟,由于热滞后效应、生物质颗粒内的热量传递效率下降,以及非等温条件下挥发性物质的释放速度变缓,热重分析和导数热重分析的曲线都会向更高的温度方向移动

结论

本研究探讨了400至600°C范围内热解温度对AM生物质的影响。在较低温度下进行热解时,产生的生物炭含量最高,为46.23%(重量百分比);而在450°C时,生物油的产量达到最大值,为43.54%(重量百分比)。在600°C时,产生的不可凝气体的产量最高,为38.87%(重量百分比)。当热解温度升至550°C时,生物炭的表面积也会随之增大,其最大表面积为13.179平方米/克。此外,生物炭的孔径也会随着温度的变化而发生改变

作者贡献说明

Addula Ravi Kumar Reddy:负责撰写原始稿件、验证研究结果、进行正式分析、整理数据。Chinta Sankar Rao:负责撰写原始稿件、制作可视化图表、验证研究结果、开展相关研究、进行正式分析、整理数据。Mahendra Chinthala:负责审阅和编辑稿件、撰写原始稿件、制作可视化图表、监督研究工作、协调资源、管理项目、确定研究方法、争取研究经费、构建研究概念。Amit Tiwari:负责撰写原始稿件、确定研究方法、开展相关研究、进行正式分析、整理数据

利益冲突声明

所有作者均声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关联关系。
Amit Tiwari|Chinta Sankar Rao|Ravi Kumar Reddy Addula|Mahendra Chinthala
印度奥里萨邦鲁尔克拉,国立技术学院化学工程系,过程强化实验室,邮编769 008
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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