使用统计方法对玉米秸秆水热液化产物产率和特性的参数研究

《Biomass》：Parametric Study of Yields and Properties of Corn Stover-Derived Hydrothermal Liquefaction Products by Using Statistical Approaches

　　

摘要：木质纤维素生物质的水热液化（HTL）产生多种产物组分，包括固体残渣（SR）、重生物油（HBO）、水相（AP）和轻生物油（LBO）。本研究主要应用主成分分析（PCA）和回归模型来预测AP溶液重量、LBO重量和燃料特性，以及HTL废水的生物降解性，并在不同操作条件（温度：250–350 °C，停留时间：5–60 min，以及三批次的组合固体负载：15–45 g）下提高对SR和HBO的预测精度。通过PCA发现的SR与AP重量之间的互补关系，使得在回归分析中能够基于预测的SR值估计AP重量。引入了一个修正分配系数，将LBO重量与AP的碳含量联系起来并进行预测，从而实现了准确的LBO产率估计。尽管LBO燃料特性无法可靠建模，但SR和HBO的燃料特性相较于先前的动力学模型获得了更高的预测精度。还根据操作条件对HTL废水（HTL-WW）中的邻苯二酚浓度进行了建模，并将其与R. jostii和A. niger的半最大抑制浓度（IC₅₀）联系起来，作为生物降解性指标。这项工作证明了使用统计方法预测未被充分研究的HTL产物的可行性。

水热液化（HTL）是一种将湿生物质转化为生物原油的极具前景的技术，其优势在于无需对原料进行干燥预处理。然而，HTL过程产生的产物组分复杂，包括固体残渣（SR）、重生物油（HBO）、水相（AP）以及从AP中提取的轻生物油（LBO）。以往的研究多集中于基于元素动力学模型预测SR、AP和HBO的产率与特性，但AP溶液重量、LBO的产率与燃料特性，以及HTL废水的生物降解性等关键指标尚未被系统预测。这些预测的缺失阻碍了HTL工艺的全面优化，尤其是考虑到AP中溶解有机物可能对微生物具有毒性，影响后续废水处理。为了填补这一空白，研究人员利用统计方法，结合主成分分析（PCA）和回归建模，对玉米秸秆HTL产物中未被充分研究的组分进行预测，旨在建立一套能够同时模拟产物回收与废水处理可行性的综合性工具。该研究发表在《Biomass》期刊上，为工业应用中的工艺参数优化提供了科学依据。

研究人员主要采用了主成分分析（PCA）和回归分析作为关键技术方法，原料为玉米秸秆（未注明具体来源）。PCA用于揭示变量间的潜在关系，尤其是通过降维识别SR与AP重量之间的负相关，以及将元素原子比（如H/C和O/C）整合为单一主成分。回归分析则用于建立预测方程，包括：通过修正分配系数（D_mod）将LBO重量与AP碳含量关联；基于操作条件（温度、停留时间、固体负载）预测SR和HBO燃料特性的主成分值；以及利用乘积形式方程预测HTL废水中邻苯二酚浓度，并结合四参数逻辑函数拟合IC₅₀作为生物降解性指标。所有模型均基于实验数据进行校准与验证，忽略了具体的试剂和培养步骤，但保留了样本队列的实验条件范围（温度250–350 °C，停留时间5–60 min，固体负载15–45 g）。

**3.3 固体残渣重量与AP溶液重量之间的关系**
通过PCA分析，发现SR重量与AP溶液重量之间存在显著的负相关（r = ?0.76）。基于这一关系，研究人员建立了线性回归方程，利用预测的SR重量（来自先前元素动力学模型）来估算AP溶液重量，其RMSE为7.18 g。该方程在物理意义上反映了无SR存在时的理论初始AP重量，表明动力学模型能够准确捕捉系统初始状态。

**3.4 修正分配系数与LBO重量**
研究人员引入了修正分配系数（D_mod），定义为LBO质量浓度与AP溶质碳含量的比值。通过回归分析发现，温度（Temp）和固体负载（SL）是D_mod的显著变量，而停留时间（RT）不显著。SL的负效应表明，更多的SR会吸收更多AP，从而减少可提取的LBO。利用D_mod预测值，结合AP碳含量和体积，成功预测了LBO重量，RMSE为0.2625 g。

**3.5 LBO的燃料特性**
LBO的van Krevelen图显示H/C与O/C原子比呈线性趋势，研究人员提取了第一主成分（PC1_LBO）作为燃料特性指标。然而，回归分析表明，温度、停留时间和固体负载对PC1_LBO的预测模型不显著（p = 0.9），导致无法通过线性回归可靠预测LBO的燃料特性。这归因于LBO复杂的多组分化学性质以及非线性响应。

**3.6 SR和HBO的燃料特性**
与LBO类似，研究人员对SR和HBO的van Krevelen图分别提取了第一主成分（PC1_SR和PC1_HBO）。回归分析显示，温度、停留时间和固体负载对这两个主成分的预测模型均显著，并建立了相应的方程。与先前基于元素动力学模型的方法相比，新方法显著降低了预测误差：SR的RMSE²从0.2093降至0.0376，HBO的RMSE²从0.0586降至0.0167，表明预测精度大幅提升。

**3.7 HTL废水邻苯二酚浓度与生物降解性**
鉴于邻苯二酚在HTL废水（HTL-WW）的GC-MS色谱图中峰面积最大，研究人员将其作为代表性抑制指标。通过产品形式方程（包含温度、停留时间和固体负载的幂函数），成功预测了邻苯二酚浓度，RMSE为24.97 mg·L^?1。进一步利用四参数逻辑函数，建立了邻苯二酚浓度与R. jostii和A. niger的IC₅₀之间的剂量-响应关系，基于预测的邻苯二酚浓度，IC₅₀的预测RMSE分别为1.07 g COD·L^?1和0.57 g COD·L^?1，表明HTL操作条件直接影响废水生物降解性。

**3.8 预测的适用性与局限性**
该统计框架弥补了动力学模型仅模拟化学反应的局限，通过PCA识别非反应性物理现象（如AP被SR吸收），并建立了操作条件与下游产物回收（LBO重量）及环境处理性（生物抑制指数）之间的系统级模拟。然而，LBO燃料特性的预测失败是当前工作的主要局限，未来可通过元素基分配系数（D_e）的矩阵建模来改进。

**讨论与结论**
本文通过整合PCA与回归模型，成功扩展了玉米秸秆HTL产物的预测范围，涵盖AP溶液重量、LBO重量、SR和HBO的燃料特性，以及HTL废水的生物降解性。研究结论如下：本研究成功应用统计方法，通过整合主成分分析（PCA）和回归建模，增强了玉米秸秆水热液化（HTL）的预测能力。模型在广泛的操作条件范围（温度250–350 °C，停留时间5–60 min，总固体负载15–45 g）内建立。主要成果是将预测范围扩展至先前未被充分研究的产物组分，特别是水相（AP）溶液重量和轻生物油（LBO）重量。通过PCA确定的固体残渣（SR）重量与AP溶液重量之间的强负相关，使得能够基于SR值准确估算AP重量。此外，引入修正分配系数（D_mod）成功预测了LBO产率（RMSE = 0.2625 g）。尽管LBO燃料特性难以建模，但PCA与回归分析的整合提高了SR和HBO燃料特性的预测精度，其综合RMSE（RMSE²）分别为0.0376（SR）和0.0167（HBO）。建立了HTL废水中邻苯二酚浓度的预测方程，作为操作条件的乘积形式函数，预测效果良好（RMSE = 24.97 mg·L^?1）。随后，利用邻苯二酚浓度作为代表性抑制指标，并应用四参数逻辑曲线，可以直接从初始工艺参数预测R. jostii和A. niger的半最大抑制浓度（IC₅₀），作为生物降解性指数，其RMSE分别为1.07和0.57 g COD·L^?1。这些结果表明，HTL操作条件显著影响邻苯二酚浓度及随之而来的HTL废水生物降解性，从而能够优化工艺以改善废水可处理性。该综合统计框架为预测HTL产物产率、燃料特性和环境影响提供了全面工具，有助于同时优化产物回收和废水管理，支持木质纤维素生物质HTL工艺的实际工程与放大。未来工作将集中于通过先进的元素基分配系数建模来改进LBO表征。