生物质热值机器学习预测框架：基于工业分析与元素分析跨原料、成型炭与生物炭形态

《Next Energy》：Machine learning models for predicting calorific value of biomass from proximate and ultimate analyses across raw, briquette, and charcoal forms

　　

热值(Calorific Value, CV)是评估生物燃料质量最关键的因素之一。准确估算生物质热值对于评价其作为可再生能源的适用性至关重要；然而，常规实验测定耗时、费力且成本高昂。本研究开发了基于机器学习(ML)的预测框架，利用工业分析(proximate analysis)与元素分析(ultimate analysis)参数估算原料(raw biomass)、成型燃料(briquette)及生物炭(charcoal)三种形态生物质的CV。研究人员从已发表文献中整合了源自100种农业残余物的600个生物质样品数据集，涵盖原料、密实化及碳化材料。基于元素分析与工业分析分别建立了四个独立预测框架，并对多种基于回归的ML算法进行比较评估。模型性能采用均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)和决定系数(Coefficient of Determination, R2)评价。在评估的算法中，K近邻(K-Nearest Neighbors, KNN)与支持向量回归(Support Vector Regression, SVR)取得最佳预测性能：基于元素分析的成型燃料与生物炭预测R2分别为0.883和0.991，基于工业分析的预测R2分别为0.879和0.997，且预测误差持续保持低位。与已发表经验公式的对比评估表明，所开发模型具备有竞争力的预测能力。基于工业分析的框架表现出更优的预测性能与稳定性，准确率达96.5%，而基于元素分析的框架准确率为97%。总体而言，提出的机器学习框架为生物质热值估算提供了快速、可解释且经济高效的方法，支撑高效的生物质筛选与可持续废弃物能源化应用。这些发现为热值预测提供了可靠框架，服务于生物燃料生产与可持续农业废弃物管理。

研究背景方面，化石燃料利用带来能源供应不确定性与环境负面影响，农业残余物作为可再生资源全球年产量超50亿吨，但埃及等国大量残余物未被利用，露天焚烧加剧污染。热值(CV)亦称高位热值(Higher Heating Value, HHV)，是生物质质量评价核心指标，传统氧弹量热仪测定繁琐，难以实时控制燃烧过程。已有经验公式（如Dulong公式）基于元素或工业分析，但跨原料泛化性差；近期机器学习(ML)研究虽引入XGBoost、CatBoost等，仍多忽略物理转化阶段（密实化、碳化）对热值的依赖。本研究由此提出跨原料、成型燃料(briquette)、生物炭(charcoal)三形态的统一ML预测框架，论文发表于《Next Energy》。

关键技术方法上，研究人员从文献汇编100种植物残余物在原料、成型、碳化三态下共600个样本的工业分析（水分MC、挥发分VM、固定碳FC、灰分Ash）与元素分析（C、H、N、S、O）及CV（MJ·kg?1）数据；分别构建基于工业分析与元素分析的两个框架，各框架一致比较线性回归、SVR（RBF核）、KNN、随机森林(RF)、Extra Trees、梯度提升、AdaBoost及XGBoost；采用GridSearchCV五折交叉验证调参，训练集80%/测试集20%划分（随机种子42），SVR与KNN做z-score标准化；以R2、RMSE、MAE、MAPE评价，并用1000次bootstrap给出95%预测区间；另用SHAP解释特征贡献，Pearson相关分析变量关联，与23条经验公式（元素11条、工业12条）对比，统计检验采用配对Wilcoxon与McNemar法。

研究结果部分，在3 Results小节中，研究人员先展示元素与工业分析变量分布：生物炭碳含量显著升高（均值72.6 wt%），氧降低（14.89 wt%），原料挥发分VM最高（74.68 wt%）、生物炭固定碳FC最高（65.07 wt%）。在模型精度对比中，基于元素分析的ML框架整体准确率97%，优于所有11条经验公式（最高89.5%）；基于工业分析的ML框架准确率96.5%，优于所有12条经验公式（最高79.5%），提升17个百分点。在分形态预测中，成型燃料经SVR/KNN得R2约0.88（元素）与0.879（工业），生物炭R2达0.991（元素）与0.997（工业），RMSE降至0.125–0.23，MAPE低至0.38%，表明碳化均质化提升可预测性。SHAP分析显示元素分析中C为正向主导、O为负向；工业分析中原料CV正向传递至成型与生物炭，水分MC与灰分Ash负向，成型燃料中FC因密实化未发生化学转变而呈负向SHAP。Pearson相关矩阵证实Raw C、Raw H与CV强正相关（r=0.90–0.94），Raw Ash强负相关（r=-0.82），三态CV间互相关r≥0.83，说明原料本征能量品质决定终产品。

讨论部分指出，生物炭高C低O源于热解脱挥发分，均质碳质基体降低化学熵，故ML近乎完美拟合；成型燃料仅机械密实，FC无化学增量，致其SHAP符号反转与方差抑制机制吻合。灰分作为不可燃稀释剂直接拉低HHV，与经验认知一致。跨形态强相关支撑“原料CV→成型CV→生物炭CV”的级联预测路线。

结论部分翻译如下：本研究证明了ML方法可作为快速可靠工具估算原料、成型及生物炭形态生物质CV。工业与元素分析预测差异表明，VM、FC、Ash等热化学参数比单纯元素组成更能揭示能量行为；统一框架纳入不同加工形态使模型捕捉到密实化与碳化带来的品质变化。所建ML模型从元素与工业分析预测成型与生物炭CV能力优异，统计评估、与经验公式对比、SHAP与Pearson分析一致确认其稳健性。C与H是CV主要正向贡献者，Ash与MC负向影响。相较经验方程，模型准确率与泛化性显著提升，有望用于原料筛选、PLC/SCADA实时优化及Excel/云API工具。需在更大多样性样本与连续工业条件下进一步验证。总之，该框架为生物质能评估与工业决策提供快速、可解释、低成本路径。