烟煤与典型生物质在 CO2/N2 气氛下快速共热解的反应行为与动力学分析：利用机器学习预测焦炭产率

《Renewable Energy》：Reaction behavior and kinetic analysis in the fast co-pyrolysis of bituminous coal with typical biomasses under CO 2/N 2 atmospheres: leveraging machine learning for char yield prediction

　　

# 竹屑、锯末与小麦秸秆同红沙泉无烟煤在含CO?气氛下快速共热解行为研究

## 摘要

在CO?/N?气氛下，以1000 K·min?1的加热速率，对竹屑（BB）、锯末（SD）、小麦秸秆（WS）与红沙泉无烟煤（HSQ）进行了共热解实验。三种生物质-煤混合物的最大失重速率分别为0.94–3.29、0.99–3.21和0.78–2.67 %·K?1。随着生物质比例的提高，最大瞬时反应活性、本征反应速率和综合热解指数均有所提升，其中HSQ-BB在30% CO?条件下表现最优，而HSQ-SD和HSQ-WS则在60% CO?条件下表现最优。CO?对三种煤-生物质混合物焦炭产率的贡献分别为4.12–10.18%、2–10.58%和3.8–9.88%。在主热解阶段，相互作用效应取决于生物质特性和CO?浓度。随着CO?浓度增加，BB的相互作用效应由抑制转为促进，而SD和WS则呈现相反趋势。本研究建立了综合相互作用强度指数，其值分别为0.07–0.60、0.04–0.52和0.12–0.63，表明HSQ-WS > HSQ-BB > HSQ-SD。Avrami-Erofeev方程（n=4）能最好地表征共热解过程。随着生物质比例增加，活化能升高，而在较高CO?浓度下活化能降低。实验活化能与理论活化能之间的差异与相互作用强度相关。本研究采用遗传算法优化的反向传播神经网络预测焦炭产率，13×8节点配置表现最优，均方根误差为2.4090，决定系数为0.9691。随着数据集的扩大，模型性能预计将进一步改善。本研究为工业过程中的煤-生物质共燃烧提供了理论依据。

## 引言

全球变暖问题日益严峻，能源结构转型已成为当务之急。根据国际能源署[1]的数据，2024年全球煤炭碳排放量增加了0.9%（1.35亿吨CO?）。燃煤发电仍是全球碳排放的主要来源之一，因此煤电行业亟需实现低碳转型。生物质作为理论上的碳中和资源，已在燃煤电厂混烧中得到广泛应用，并有效减少了碳排放[2]。此外，生物质能碳捕集与封存（BECCS）技术能够在产生能源的同时去除CO?，具有实现负碳排放的巨大潜力。预计到2050年，通过BECCS技术每年可捕获1.3亿吨CO?[3]，凸显了其作为深度脱碳策略的潜力。

煤与生物质在富氧燃料条件下的共燃烧为进一步减少碳排放提供了可能，有望实现负碳排放。在富氧燃料燃烧条件下，燃料的热化学转化在O?/CO?气氛中进行，而非O?/N?气氛[4]。热解作为燃烧过程的初始阶段，从根本上影响后续的焦炭燃烧过程，后者约占整个过程的90%[5]。在含CO?气氛的热解过程中，CO?与挥发分的均相反应以及CO?与焦炭的非均相反应同时发生，从而改变了反应路径[6,7]。先前的研究表明，在共热解过程中存在相互作用效应，其原因可归结为挥发分产生的活性自由基与煤焦的相互作用以及生物质中碱金属和碱土金属（AAEMs）的催化效应[8,9]。此外，煤与生物质的共热解过程受多种因素影响，包括原料特性、混合比例、温度、加热速率[10,11,12]。这些参数显著影响相互作用的性质和反应行为。Cho等人发现，CO?辅助共热解增强了煤与生物质之间的相互作用，改变了挥发分释放和焦炭形成过程[13]。类似地，Chen等人报道了与N?相比，CO?改变了分解路径、气体释放特性和动力学行为[14]。然而，大多数关于含CO?气氛下煤/生物质热解和共热解的先前的研究均是在常规慢加热条件下进行的，通常低于100 K·min?1，这远低于实际热化学转化系统中的加热速率（102–10? K·s?1）[15]。近期研究表明，快速加热可以显著改变热解行为。Chi等人以1000 K·min?1的速率研究了CO?辅助煤热解，揭示了与慢加热条件相比具有明显不同的转化特征[16]。Magalhaes等人采用落管炉在超快加热条件下（约10? K·s?1）制备了生物质和煤焦炭，强调了快速热转化对焦炭特性和CO?气化过程中协同相互作用的重要性[17]。此外，在高加热速率下，协同相互作用更加显著，原因在于煤和生物质的失重温度区间重叠增强[10]。这些结果表明，快速加热条件下的共热解行为与常规加热条件下不同，但不同生物质与煤的共热解特性、CO?对相互作用效应的影响以及反应动力学尚不充分。需要进一步研究以深入理解反应机制，并支持CO?利用热化学转化过程的设计和优化。

人工智能在能源领域的应用已成为研究热点。学者们已运用机器学习（ML）模拟煤和生物质的热化学过程。例如，Shafizadeh等人和Pan等人应用四种不同的机器学习算法模拟了煤和生物质的共热解和共气化过程，有效优化了操作参数，显著降低了实验成本[18,19]。Yin等人采用反向传播神经网络机器学习方法预测共热解过程的焦炭产率，预测值与实验结果高度吻合：均方根误差为0.8606，决定系数为0.9988[20]。然而，现有研究中使用的数据库主要来源于常规操作条件下，应用于快速共热解系统仍然有限。因此，鼓励将机器学习应用于快速煤-生物质共热解过程。

本研究旨在阐明快速加热条件下含CO?气氛中煤-生物质共热解行为。选取了三种具有不同特性的农林生物质，在不同CO?/N?气氛下以1000 K·min?1的速率进行共热解。系统研究了混合比例和CO?浓度对失重行为、热解特性和相互作用效应的影响。提出综合相互作用强度指数以量化相互作用效应。基于模型拟合法的动力学分析用于评估反应机制和动力学参数。此外，采用遗传算法优化的反向传播神经网络模型预测焦炭产率，为快速共热解系统提供了数据驱动的框架。

## 实验材料

实验材料包括来自江苏的三种生物质：竹屑（BB）、锯末（SD）、小麦秸秆（WS），以及来自新疆红沙泉矿的无烟煤（HSQ）。原始生物质首先切割成小块，然后使用实验室研磨机反复研磨。所得粉末经筛分，收集通过150目筛但被200目筛截留的颗粒。混合物在摇床上旋转混合。

## 单组分热解行为

四种材料的热重（TG）和微分热重（DTG）曲线如图2所示。三种生物质均呈现三阶段特征：脱水、失重和气化。BB、SD和WS的失重峰温度分别在656.75–670.45、673.55–683.85和639.75–650.65 K之间，对应的最大失重速率分别为3.65–4.14、3.67–4.02和3.19–3.35 %·K?1。BB和SD的挥发分含量高于WS，导致质量损失更大。

## 结论

本研究表明，在含CO?气氛下快速加热条件下，煤-生物质混合物表现出复杂的共热解行为。HSQ-BB、HSQ-SD和HSQ-WS的失重最大失重速率分别为0.94–3.29、0.99–3.21和0.78–2.67 %·K?1，随混合比例和CO?浓度呈非线性变化。随着生物质比例增加，共热解性能提高。相互作用效应的表现是生物质特性……的综合结果。

## CRediT作者贡献声明

Long Jiang：撰写—审阅与编辑。Yi Wang：撰写—审阅与编辑。Sheng Su：撰写—审阅与编辑。Abdulmajid Abdullahi Shagali：监督、形式分析。Song Hu：监督、资源、项目管理。Kai Xu：撰写—审阅与编辑。Jun Xu：撰写—审阅与编辑。Jun Xiang：撰写—审阅与编辑。Haoran Qing：撰写—原始草稿、软件、方法论、调查研究、概念化。Shaoyong Wu：软件、方法论、调查研究

## 数据可用性

数据可根据要求提供。

## 利益冲突声明

? 作者声明不存在已知的财务利益冲突或个人关系可能影响本文所报告的工作。

## 致谢

本研究由中国国家重点研发计划（No.2022YFB4202003）和国家自然科学基金（NSFC No.5251101727）资助。

Haoran Qing | Shaoyong Wu | Abdulmajid Abdullahi Shagali | Song Hu | Kai Xu | Jun Xu | Long Jiang | Yi Wang | Sheng Su | Jun Xiang

中国湖北省武汉市430074，华中科技大学能源与动力工程学院，燃煤燃烧国家重点实验室