用于废物能源化评估的废弃物衍生生物质组成的多模态分析：可解释人工智能（XAI）与机器学习方法

《Renewable Energy Focus》：Multimodal analysis of the composition of waste-derived biomass for waste-to-energy assessment: Explainable AI (XAI) and machine learning approach

　　

主成分分析（Principal Component Analysis, PCA）保留了前三个主成分（PC₁-PC₃）中78%的方差，实现了高效的生物质特征约简。SHapley Additive exPlanations（SHAP）揭示了碳含量（C (%)）和氢含量（H (%)）对高位热值（Higher Heating Value, HHV）预测具有最强的正向影响。k均值（k-Means）聚类揭示了3个不同的生物质组群，其中组群3最适合燃烧。k近邻（k-Nearest Neighbor, k-NN）分类器在生物质能源适宜性分类中达到了95.1%的训练准确率。人工神经网络-粒子群优化（ANN-PSO）模型在HHV预测中优于其他模型，具有最低的误差指标。

随着化石燃料燃烧导致二氧化碳（CO₂）排放激增，全球气候变暖与空气污染问题日益严峻，同时全球废物产生量持续上升，城市固体废物（Municipal Solid Waste, MSW）年产量预计2050年将达38亿吨。废物转化为能源（Waste-to-Energy, WTE）技术能够同时缓解废物管理压力并贡献可再生能源，符合可持续发展目标（SDGs）。然而，大规模WTE项目的关键障碍在于缺乏对废物衍生生物质的数量、组成及燃烧焓的充分数据。废物流组成高度异质，其能量潜力需通过高位热值（Higher Heating Value, HHV）来量化，但传统氧弹量热法成本高且耗时。机器学习（Machine Learning, ML）方法已被用于预测HHV，但现有研究多聚焦于模型精度，未能系统处理数据的内在多重共线性、隐含组成模式及能量回收分类。为此，研究人员开发了一种集成了降维、聚类、可解释人工智能（Explainable AI, XAI）和混合优化预测模型的多模态分析框架，以实现废物衍生生物质的综合表征和智能WTE评估。该研究发表于《Renewable Energy Focus》。

研究人员从Phyllis2数据库和Meraz等人的研究中共收集了109个废物衍生生物质样本，涵盖食物垃圾、家庭垃圾、纸废物和衍生燃料（Refuse-Derived Fuel, RDF）等类别。输入变量包括碳（C）、氢（H）、氮（N）、氧（O）、硫（S）元素组成、灰分和水分（MC），输出为HHV。关键技术方法包括：采用主成分分析（Principal Component Analysis, PCA）降低维度并消除多重共线性；利用SHapley Additive exPlanations（SHAP）对模型预测进行可解释性分析；通过k均值（k-Means）聚类识别生物质内在分组；使用k近邻（k-Nearest Neighbor, k-NN）分类器进行基于能量含量的分类；构建独立及混合的人工神经网络（Artificial Neural Network, ANN）和自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS），并使用粒子群优化（Particle Swarm Optimization, PSO）和遗传算法（Genetic Algorithm, GA）优化。模型性能以均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）评估。

研究结果围绕六个方面展开。

3.1 废物流能量变化评估：相关性和类别分析。通过Pearson相关分析发现，碳含量与HHV呈强正相关（0.84），氢含量为正相关（0.81），灰分（-0.58）和水分（-0.40）呈负相关；不同废物流中，制备固体废物焚烧炉样品平均HHV最高（约20 MJ/kg），纸和纸制品约17 MJ/kg，RDF约12 MJ/kg，食物垃圾最低（约3.5 MJ/kg）。

3.2 基于SHAP的生物质特征对能量评估的影响。SHAP分析表明，C (%)和H (%)对HHV预测具有最强的正向贡献，水分具有最强的负向影响，灰分呈中等负向影响，而O、N、S的影响微弱。

3.3 基于PCA的废物生物质表征与降维。PCA揭示前三个主成分（PC₁-PC₃）保留了约78%的方差，PC1区分高灰分与高能量组分（C、H），PC2反映水分与氧的影响，证实了能量组分与惰性组分之间的权衡。

3.4 废物生物质理化性质的聚类分析。k均值聚类在肘部法和内部指标（轮廓系数0.4149，Davies-Bouldin指数1.0288）支持下确定k=3，得到三个生物质组群；Cluster 1具有高水分、高灰分和低HHV，Cluster 2特征均衡，Cluster 3具有低水分、高碳氢和最高HHV，最适合直接燃烧或热解。

3.5 基于能量含量的废物生物质k-NN分类。k-NN分类器在k=3时达到最优性能，能量质量分类（Group A）训练准确率95.1%、测试准确率87.8%，燃烧适宜性分类（Group B）也表现稳定，为WTE原料筛选提供了数据驱动工具。

3.6 机器学习模型性能评估。模型性能评估显示，PSO优化的ANN（ANN-PSO）在训练和测试阶段均获得最低误差（训练RMSE=3.8394，MAE=1.5669；测试RMSE=4.3463，MAPE=9.12%），优于独立ANN和ANFIS及其GA/PSO混合模型，表现出良好的泛化能力。

讨论部分指出，本研究的三簇分类比Insel等人提出的六簇分类更简洁，更有利于WTE操作规划；碳、氢对HHV的正向作用和水分、灰分的负向作用与燃料化学原理一致。与传统基于来源的分类系统（如ECN Phyllis、NTA 8003）相比，本文的数据驱动分类依据理化性质分组，能够将能量特性相似的生物质归入同一类，补充了传统系统的不足。研究结论为：该多模态框架通过PCA保留了约78%的总方差，实现了高效特征约简；k均值聚类识别出三个具有不同组成和能量特征的生物质组群，其中Cluster 3最适合直接燃烧；k-NN分类器在k=3时达到训练准确率95.1%和测试准确率87.8%；SHAP确认碳和氢是HHV最大的正向贡献因子，水分和灰分呈强烈负向影响；在所有预测模型中，PSO优化的ANN产生了最佳HHV预测性能。这些发现为高效废物能源化规划和生物质增值提供了稳健、可解释且可扩展的解决方案。未来研究应纳入实际运行WTE数据，并考虑排放和经济可行性的多目标决策。