可解释的生物质热解机器学习方法：多种产物的产量预测以及生物油、合成气和生物炭的特征参数优先级排序

《Catalysts》：Interpretable Machine Learning for Biomass Pyrolysis: Multi-Product Yield Prediction and Descriptor Prioritization for Bio-Oil, Syngas, and Biochar

　　

生物质热解产生三种主要产物馏分——生物油（bio-oil）、合成气（syngas）和生物炭（biochar），其产量受原料组成、催化剂性质和操作条件之间的非线性相互作用控制。由于文献来源的热解数据在实验空间中具有异质性和不均匀分布，准确预测这些产物产量仍具有挑战性。在本研究中，研究人员开发了一个可解释的机器学习（interpretable machine-learning）框架，利用来自工业分析/元素分析（proximate/ultimate analysis）、催化剂表征和工艺操作的易获取描述符，预测生物质热解产物产量。使用一个经过整理的包含297个实验记录和14个输入描述符的数据集，对多种回归算法进行了基准测试，包括线性模型和正则化线性模型、支持向量回归（SVR）、k近邻回归（KNN）、随机森林（Random Forest）、极限树（Extra Trees）、梯度提升回归树（GBRT）、XGBoost和CatBoost。针对生物油、合成气和生物炭开发了目标特异性模型，以最大化利用可用产量数据，同时避免对缺失目标值进行插补。结果表明，非线性基于树的集成方法优于线性和基于距离的方法，而最优模型取决于产物馏分。SHAP（SHapley Additive exPlanations，一种模型解释方法）和特征重要性分析进一步揭示了不同的描述符-产量关系。生物油预测主要受催化剂酸度、BET比表面积、挥发分、灰分含量和温度的影响；合成气预测受温度和原料组成主导；生物炭预测与加热速率、停留时间、灰分、固定碳和氧含量密切相关。这项工作为生物质热解中的产物产量预测和描述符优先级排序提供了一个透明的数据驱动工具。结果表明，非线性基于树的集成方法始终优于线性和基于距离的方法。在独立测试集上，XGBoost对生物油实现了R² = 0.834、RMSE = 5.503 wt%和MAE = 4.371 wt%；对合成气实现了R² = 0.790、RMSE = 5.427 wt%和MAE = 3.791 wt%。GBRT对生物炭实现了R² = 0.739、RMSE = 3.966 wt%和MAE = 2.706 wt%。重复五折交叉验证进一步产生了生物油、合成气和生物炭的平均R²值分别为0.783、0.698和0.745。

**论文解读：生物质热解产物产量的可解释机器学习预测与描述符优先级排序**

**研究背景**

生物质热解（biomass pyrolysis）是一种将可再生固体原料转化为三种主要产物流（生物油、合成气和生物炭）的热化学转化路线。这些产物可支撑能源、化工和环境领域的不同应用，其实际价值高度依赖于在不同原料、催化剂和操作条件下预测和调控产物分布的能力。然而，产物分布受脱挥发分、裂解、重整、缩合、再聚合和固体残渣形成等耦合物理化学过程的控制，具有非线性特征，难以用简单的单变量相关性描述。尽管已有大量实验研究探讨了催化或非催化生物质热解，但定量预测跨异质实验条件的产量仍面临困难，因为文献数据在反应器构型、原料预处理、加热方案、催化剂制备、冷凝效率、产物收集方法和报告基准等方面存在差异，且许多研究侧重于定性趋势分析而非建立可迁移的预测模型。机器学习（machine learning）为从复杂实验数据集中提取定量关系提供了可行途径，但现有研究大多聚焦于单一产物馏分、使用有限算法或缺乏充分解释，且对不同产物是否需要不同最优模型以及描述符重要性的物理可解释性关注不足。为此，本研究旨在开发一个可解释的机器学习框架，利用经过整理的数据集（包含原料组成、催化剂性质和操作条件描述符）系统预测生物油、合成气和生物炭产量，并通过SHAP分析和特征重要性方法揭示主导描述符，提供物理可解释的见解。

**主要技术方法**

研究人员构建了一个包含297个实验记录的数据集，来源于49篇文献（每篇文献贡献2-14个记录），并定义了14个输入描述符，分为原料描述符（碳含量、氢含量、氮含量、氧含量、灰分含量、固定碳含量、挥发分含量）、催化剂描述符（酸位点含量、结晶度指数、BET比表面积、催化剂与生物质比）和操作描述符（热解温度、加热速率、停留时间）。目标变量分别为生物油、合成气和生物炭产量（wt%）。针对每个目标，采用独立建模策略，避免对缺失值进行插补，从而最大化数据利用。采用多种回归算法进行基准测试，包括线性回归、岭回归、Lasso、ElasticNet、支持向量回归（SVR）、k近邻回归（KNN）、随机森林（Random Forest）、极限树（Extra Trees）、梯度提升回归树（GBRT）、XGBoost和CatBoost。模型性能通过决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）评估。使用SHAP（SHapley Additive exPlanations，一种基于博弈论的模型解释方法）和基于模型的特征重要性分析进行可解释性分析，识别各产物馏分的主导描述符。

**研究结果**

**2.1 基于奇偶图的产品产量预测性能**
通过奇偶图（parity plot）比较随机森林、XGBoost和CatBoost三种代表性树模型对生物油、合成气和生物炭的预测性能。结果表明，预测值围绕1:1线分布，但不同产物的吻合程度不同：生物油预测在高产量区域偏差较大，合成气整体吻合最好，生物炭散点最宽且边界低估最明显。这证实了可预测性具有目标依赖性，而非由通用最优模型决定。

**2.2 产品产量预测的模型基准测试与选择**
通过比较不同回归算法在测试集上的R²、RMSE和MAE，发现非线性基于树的集成方法优于线性和基于距离的模型。对于生物油，XGBoost表现最优（R² = 0.834，RMSE = 5.503 wt%，MAE = 4.371 wt%）；对于合成气，XGBoost同样最佳（R² = 0.790，RMSE = 5.427 wt%，MAE = 3.791 wt%）；对于生物炭，GBRT表现最优（R² = 0.739，RMSE = 3.966 wt%，MAE = 2.706 wt%）。这表明最优算法因产物而异，需采用产品特异性模型选择策略。

**2.3 基于SHAP的生物油产量预测解释**
随机森林SHAP分析显示，催化剂相关描述符（酸位点含量、BET比表面积）对生物油预测贡献最大，较高酸度倾向于增加预测产量。原料性质（挥发分正向贡献、灰分负向贡献）和温度（混合正负效应）也起重要作用，表明生物油形成受非线性交互作用控制。

**2.4 基于SHAP的合成气产量预测解释**
温度是合成气预测的最强影响因素，高温增加预测产量。原料组成（固定碳和氢含量正向贡献）和催化剂性质（催化剂与生物质比、酸度、BET比表面积）提供次要但重要的贡献，且效应具有条件依赖性。

**2.5 基于SHAP的生物炭产量预测解释**
加热速率和停留时间是最具影响力的变量，高加热速率降低预测产量，长停留时间增加预测产量。氧含量和灰分含量也贡献显著，较低氧含量关联较高生物炭产量。催化剂描述符影响较小。这解释了为何生物炭可预测性低于其他产物。

**2.6 基于最优模型的跨目标特征重要性**
使用各目标最优模型（生物油和合成气用XGBoost，生物炭用GBRT）的归一化特征重要性进行比较。生物油预测主要由挥发分和灰分主导；合成气预测由固定碳、灰分、温度和元素组成驱动；生物炭预测由温度、停留时间、灰分和固定碳决定。

**2.7 基于统一随机森林的跨产品特征重要性**
使用统一随机森林模型进行稳健性检验，结果与SHAP分析一致：催化剂酸度和温度是跨产物的重要描述符；生物油中催化剂酸性最强，合成气中温度、固定碳和碳含量重要，生物炭中灰分、固定碳、停留时间和加热速率重要。

**2.8 描述符相关性、多重共线性与稳健性评估**
皮尔逊相关系数和方差膨胀因子（VIF）分析显示，所有VIF值低于5，不存在严重多重共线性。重复五折交叉验证获得生物油、合成气和生物炭的平均R²分别为0.783、0.698和0.745。学习曲线显示验证误差随训练样本增加而下降，但未达平台，表明更多数据可提升泛化能力。

**讨论与结论**

**讨论部分总结**：研究结果表明，生物质热解产物产量预测本身具有产品特异性，最优模型因产物而异。非线性基于树的集成方法优于线性模型，证实了捕捉非线性特征交互的必要性。解释结果提供了实验规划和描述符优先级排序的实用指导：对于生物油生产，应优先考虑催化剂酸度和BET比表面积以及挥发分和灰分；对于合成气，温度和原料组成是核心变量；对于生物炭，加热速率、停留时间、灰分、固定碳和氧含量更关键。局限性包括：模型适用域限于14个描述符的联合分布范围，数据来源间的异质性（反应器构型、加热协议等未记录因素）增加不确定性，缺乏颗粒大小、矿物组成（特别是碱金属和碱土金属AAEMs）等潜在重要描述符。SHAP和特征重要性应视为预测性归因而非因果证据。未来需更大标准化数据集、外部验证、不确定性量化以及整合反应器构型、催化剂结构和生物质矿物化学描述符。

**研究结论（翻译自第5节）**：本研究开发了一个可解释的机器学习框架，用于利用原料组成、催化剂性质和操作条件预测生物质热解中的生物油、合成气和生物炭产量。研究人员使用一个包含工业分析/元素分析描述符、催化剂相关变量和工艺参数的数据集，在一致的评估协议下对多种回归算法进行了基准测试。结果表明，非线性基于树的集成方法优于线性、基于核和基于距离的模型，证实了在热解产量预测中捕捉非线性交互的重要性。最优模型因产物馏分而异，支持产品特异性模型选择而非单一通用预测器。SHAP和特征重要性分析揭示了不同的描述符-产量关系。生物油产量主要与催化剂酸度、BET比表面积、挥发分、灰分含量和温度相关。合成气产量主要受热强度（特别是温度）以及固定碳和元素组成控制。生物炭产量与加热速率、停留时间、灰分含量、固定碳和氧含量关联更紧密，表明其对原料固体残渣性质和转化历史的依赖性更强。总体而言，所提出的框架为生物质热解产量预测和描述符优先级排序提供了一个透明的数据驱动工具。未来的改进应聚焦于更大数据集、更详细的催化剂和生物质描述符、反应器特异性变量、不确定性分析和外部验证。