一种基于机器学习的催化气化耦合双系统模型:具有机理可解释性的钙基案例研究
《Bioresource Technology》:A machine learning-based dual system coupling model of catalytic-gasification: a calcium-based case study with mechanistic interpretability
【字体:
大
中
小
】
时间:2026年08月29日
来源:Bioresource Technology 8.2
编辑推荐:
**亮点**
- 双系统机器学习将催化剂性质与气化产率联系起来。
- 催化剂描述符被压缩为单一性能得分。
- 贝叶斯优化提升模型对碳转化率预测达到R2=0.937。
- SHAP分析确定用量和活性位点尺寸是关键因素。
- 独立验证显示预测合成气组成误差在5%以内。
**引
**亮点**- 双系统机器学习将催化剂性质与气化产率联系起来。- 催化剂描述符被压缩为单一性能得分。- 贝叶斯优化提升模型对碳转化率预测达到R2=0.937。- SHAP分析确定用量和活性位点尺寸是关键因素。- 独立验证显示预测合成气组成误差在5%以内。**引言**生物质气化仍是可持续转化可再生碳质资源的主要热化学途径(Yan等,2026)。在该热化学框架内,催化剂作为不可或缺的反应调节剂,用于引导产物选择性并优化合成气产率(Lestander等,2022;Wang等,2026)。通过定制异质载体的本征物理化学性质,催化剂可被精确工程化以展现不同的功能属性(Aktas等,2024;Ren等,2021)。碱土金属催化剂(即CaO和MgO)不仅增强动力学性能,还能促进原位二氧化碳捕集,从而将平衡向富氢和富一氧化碳方向移动,使流出物流中氢气和一氧化碳浓度增加(Li等,2021)。然而,尽管历经数十年的工程进步,气化框架的合理设计与系统优化仍面临严峻挑战(Yang等,2025;Zhou等,2023)。这种复杂性源于热力学、传递现象和反应动力学的多尺度耦合,这些因素共同决定了气化性能(Mohanty等,2025;Yu等,2018)。催化添加剂的引入进一步加剧了系统复杂性,引入了异质界面和竞争性反应路径(Tezer等,2022)。催化效果受金属负载量、孔结构和表面氧化态的协同作用控制,这些因素均对局部微环境表现出复杂的非线性敏感性(Khan等,2021)。传统实验方法难以获取决定反应过程最优性能的参数(Abdalazeez等,2021)。模拟作为实验方法的互补途径。模拟方法能够研究实验难以触及的系统(Prestipino等,2018)。机器学习架构具有内在灵活性,能够捕获传统机理模型中难以明确推导的复杂交互关系。此外,可解释机器学习的进展已开始揭示这些模型内部的决策过程,使科学家能够确保模型预测建立在具有物理意义的相关性基础之上。Ren等人提出了一种物理信息神经网络方法(PINN)来预测生物质气化产物,平均测试精度为0.91–0.97(Ren等,2023)。Zhou等人提出了一个定性隐式知识引导的机器学习框架来改进等离子体气化建模(Zhou等,2024)。结果表明,改进模型在预测合成气质量方面表现出更好的泛化性和科学可解释性(具体而言,人工神经网络和支持向量机的模拟误差分别降低了36.44%和83.22%)。上述结果表明基于机器学习模拟气化反应的可行性。尽管取得了这些进展,机器学习框架中催化材料的表征仍存在显著空白。构建的机器学习模型中催化剂的参与程度常常被削弱。这种削弱主要体现为将催化剂描述为模型输入的方式上。大多数现有模型依赖分类标签来标记催化剂(Ge等,2023;Kim等,2023)。这是一种简化形式,掩盖了内部物理和化学描述符的作用。尽管这种方法计算成本低,但无法推广到新型材料,也无法描述催化剂配方的主要结构性质,包括比表面积(SSA)、金属分散度、活性位点直径或孔体积(Dehdari等,2025)。因此,开发一个能够将所有催化描述符整合到单一建模系统中的模型结构至关重要,以便协同优化催化剂设计和气化条件。为解决这一问题,本研究提出了一种将催化性质与气化偶联的机器学习框架。建立了一个催化子模型,将连续催化剂描述符映射为碳转化效率,随后通过主成分分析将其转换为单一性能指数。该策略使统一气化模型能够以连续变量处理催化剂配方,填补了催化剂感知性能预测的空白。具体而言:(1)开发了催化子模型,基于连续结构描述符预测碳转化效率。(2)应用降维技术将高维催化剂特征空间压缩为少数潜在变量。(3)构建了整合原料、操作条件和催化剂描述符的统一气化模型。(4)采用SHAP分析揭示底层的物理化学机理,确保与基本催化行为保持一致。(5)通过涉及钙基催化剂的案例研究验证了双系统框架。**章节摘要****方法学**本研究提出的模拟模型集成了数据采集、算法选择以及催化效率与气化性能的总体评估框架。整合工作流程的示意图见支持信息。**CA模型精度分析**模型相关数据及输入输出项目的相关性分析已列于支持信息中。通过比较预测碳转化效率与实验数据来评估CA模型的预测保真度。该模型达到R2=0.9371、RMSE=1.776、MRE=1.666。这些指标表明CA模型的预测精度在可接受范围内。如图1所示,实验值与预测值之间存在良好一致性。**结论**本研究开发了一种双系统机器学习偶联模型来预测生物质催化气化性能。催化子模型对碳转化效率达到R2=0.937。多输出气化模型预测CH?、H?、CO和CO?产率,R2值分别为0.940、0.976、0.916和0.920。使用独立固定床实验数据进行验证表明,预测的合成气组成与实验结果相符,绝对误差在5%以内。**CRediT作者贡献声明****Yadong Ge:** 写作—审阅与编辑,写作—初稿撰写,监督,方法学。 **HongRu Li:** 写作—审阅与编辑,方法学。 **Zaixin Li:** 写作—审阅与编辑,方法学。 **Zhi Wang:** 写作—审阅与编辑,监督,方法学。 **Xiaoqiang Cui:** 写作—审阅与编辑,方法学。 **Beibei Yan:** 写作—审阅与编辑,监督,方法学。 **Junyu Tao:** 写作—审阅与编辑,监督,方法学。 **Zhanjun Cheng:** 写作—审阅与编辑。**利益冲突声明**作者声明不存在任何已知的竞争经济利益或个人关系,这些关系可能影响本文所报道的工作。**致谢**本研究得到了中国国家重点研发计划政府间国际科技创新合作项目(2025YFE0109000)和中国国家自然科学基金(52506264)的资金支持。Yadong Ge | HongRu Li | Zaixin Li | Zhi Wang | Xiaoqiang Cui | Beibei Yan | Junyu Tao | Zhanjun Cheng | Ningbo Gao
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