综述：为什么机器学习未能弥合废物制氢气化的实时控制差距：对代理建模与控制架构的批判性评估 开放获取

《Reaction Chemistry and Engineering》：Why Machine Learning Has Not Closed the Real-Time Control Gap in Waste-to-Hydrogen Gasification: A Critical Assessment of Surrogate Modelling and Control ArchitecturesOpen Access

　　

商业城市固体废物（MSW）气化厂的性能不及实验室对应装置，在产物合成气中氢浓度为20-35 vol%，而在受控条件下为45-60 vol%；本论述关注合成气氢浓度，而非氢产率、生产率或回收率，后者取决于总气体体积、进料速率和下游分离效率。数字孪生被广泛提议以弥补这一差距，所需的技术组件——准确的气化物理模型、机器学习代理和成熟的模型预测控制——在文献中已存在。据我们所知，尚无针对MSW制氢气化的运行实时数字孪生被证明，尽管据报道有一个相邻的生物质合成天然气过程的运行数字孪生，使用的是点估计而非可微、不确定性感知的代理，这表明该领域正在向这种能力收敛，但尚未弥合本论述所指出的差距。我们认为这主要不是能力缺失问题，而是目标错误问题：机器学习文献已收敛于点预测精度作为基准，而本文考虑的基于梯度的、机会约束的闭环控制需要可微性和校准的不确定性，这些属性单凭精度无法赋予。我们展示了极端梯度提升（XGBoost），尽管在比较研究中达到了最高的点精度，却不太适合基于梯度的模型预测控制，且缺乏原生的不确定性量化；循环架构（LSTM/GRU）是可微的，非常适合时间序列预测，但与XGBoost一样缺乏原生不确定性；高斯过程回归提供了可微性和原生预测不确定性，尽管校准仍需要经验验证；物理信息神经网络提供了原生可微性，需要贝叶斯或集成扩展来获得校准的不确定性。这种区别具有安全影响：没有校准的不确定性，闭环控制器无法识别进料原料变化已使其预测不可靠的情况，存在违反焦油形成约束的风险，该约束保护下游设备。我们进一步论证，集成卡尔曼滤波在结构上适合MSW气化的状态估计问题，协调时滞进料测量与已经变化的反应器状态。我们提出了一个四模块控制架构，用机会约束控制示例说明其安全关键逻辑，检查失效模式，并论证弥合商业氢浓度差距需要根据这些约束选择建模架构，而不仅仅是基准精度。

此内容仅通过PDF提供。

打开 PDF 《为什么机器学习尚未弥合废物制氢气化的实时控制差距：替代建模和控制架构的关键评估》在另一个窗口

? 2026 作者。由皇家化学学会出版

2026

作者

本文根据知识共享署名4.0非移植许可协议许可。您可以在其他出版物中使用本文材料，无需向RSC请求进一步许可，只需给出正确的致谢。

本工作根据 知识共享署名4.0国际许可协议 许可。