香蕉皮生物质衍生催化剂在生物柴油合成中的应用及基于随机森林机器学习模型的工艺参数优化

《Next Energy》：Application of Musa paradisiaca catalyst on synthesis of biodiesel and optimization of process parameters using random forest machine learning model

　　

摘要专业翻译 本研究探索了利用源自香蕉皮（Musa paradisiaca）生物质的非均相催化剂（heterogeneous catalyst）与优质印楝油（Quality Neem Oil, QNO）和废弃煎炸油（Spent Frying Oil, SFO）混合原料可持续合成生物柴油的方法。研究人员将农业废弃物生物质转化为低成本、环境友好的催化剂，有助于减少废弃物并促进绿色燃料生产。采用X射线衍射（XRD）、能量色散X射线光谱（EDX）、扫描电子显微镜（SEM）和傅里叶变换红外光谱（FTIR）对所制备的催化剂进行了全面表征，确认了其晶体结构、元素组成、表面形貌和官能团。将富含饱和脂肪酸的SFO与含有较高不饱和脂肪酸的QNO进行混合，有效改善了生物柴油的性质，特别是粘度和低温流动性。为了优化酯交换反应（transesterification）过程，研究人员采用了随机森林（Random Forest, RF）机器学习模型，因其能够捕捉复杂的非线性关系并在高维特征空间中高效运行，具有强大的预测精度。RF模型在反应温度56.5 °C、甲醇与油摩尔比7.5:1和催化剂用量4.4 wt%的最优条件下，实现了最大生物柴油产率94.37%。催化剂表征结果显示，其表面积和孔隙率得到增强，这显著提高了催化活性和反应效率。总体而言，本研究表明，将生物质衍生催化剂与基于随机森林的优化方法有效结合，是实现经济高效、高产率且环境可持续的生物柴油生产的一种有前景的途径。

论文解读文章

1. 研究背景与目的

随着重型车辆对柴油需求的持续增长以及环境污染问题的日益严峻，开发清洁、可再生的替代燃料成为迫切需求。生物柴油作为一种与现有柴油发动机兼容性良好的替代燃料，能够有效降低空气污染物和温室气体的排放。然而，传统生物柴油生产面临诸多挑战，包括原料成本波动、油品质量不稳定、与粮食作物竞争土地资源以及规模化生产困难等。

为了解决这些问题，研究人员提出了一种综合策略：首先，通过混合不同性质的油脂来优化原料特性，例如将富含饱和脂肪酸的废弃煎炸油（SFO）与富含不饱和脂肪酸的优质印楝油（QNO）按特定比例混合，以改善生物柴油的粘度和低温流动性。其次，开发低成本、可回收且环境友好的非均相催化剂替代传统均相催化剂，以克服后者难以回收、不可生物降解和造成环境污染等缺点。本研究选择农业废弃物——香蕉皮作为催化剂前驱体，通过高温煅烧将其转化为高效的固体碱催化剂。最后，引入先进的机器学习算法——随机森林（RF）模型，对酯交换反应的工艺参数进行优化，以期实现生物柴油产率的最大化。因此，本研究旨在填补香蕉皮作为催化剂来源在生物柴油生产中应用的研究空白，并探索RF模型在该过程中的优化潜力，从而为实现一种更经济、环保且高效的生物柴油生产工艺提供理论依据和技术支持。

2. 主要技术方法

研究人员采用了以下关键技术方法：

1. 1.
   催化剂制备与表征：将香蕉皮粉末在900 °C下进行煅烧处理，制备非均相催化剂。随后，利用X射线衍射（XRD）、能量色散X射线光谱（EDX）、扫描电子显微镜（SEM）和傅里叶变换红外光谱（FTIR）对催化剂的晶体结构、元素组成、表面形貌和官能团进行表征。
2. 2.
   原料选择与预处理：选取废弃煎炸油（SFO）和优质印楝油（QNO）作为混合原料，通过测定酸值（AV）确定最优混合比例（20% QNO，V/V）。由于该混合油的酸值高于3 mg KOH/g，需先进行酸催化酯化预处理以降低游离脂肪酸含量，再进行后续的碱催化酯交换反应。
3. 3.
   工艺优化与建模：采用田口设计（Taguchi design, L27）规划实验方案，考察反应温度、甲醇与油摩尔比以及催化剂用量三个关键变量。利用27组实验数据训练并验证随机森林（RF）机器学习模型，用于预测生物柴油产率并优化工艺参数。

3. 研究结果

3.1 催化剂表征

通过XRD分析确认了催化剂中含有KCl、Ca(OH)₂和K₂O等活性组分，这些组分在酯交换反应中起催化作用。EDX分析表明催化剂主要由K、Ca、Cl、Mg等元素组成，其中K含量最高。SEM图像显示煅烧后的催化剂呈现出多孔结构和较大的比表面积，有利于提高催化活性。FTIR光谱证实了催化剂中存在金属-氧键（M-O）和碳酸盐基团。

3.2 原料混合比例优化

通过对不同体积比的SFO与QNO混合油进行酸值测定，发现纯SFO的酸值仅为0.48 mg KOH/g，而纯QNO的酸值高达36.5 mg KOH/g。随着QNO比例增加，混合油酸值迅速上升。综合考虑预处理成本和保持QNO的有益特性，研究人员选择20% QNO（V/V）的混合比例，其酸值为11.2 mg KOH/g，需要在酯交换前进行酸催化酯化预处理。

3.3 随机森林模型优化与验证

基于27组田口实验数据建立的RF模型成功预测了生物柴油产率。模型预测值与实验值高度吻合，显示出优异的拟合能力和泛化性能。通过RF模型优化，确定了最佳酯交换反应条件：反应温度56.5 °C，甲醇与油摩尔比7.5:1，催化剂用量4.4 wt%。在此最优条件下，模型预测的最大生物柴油产率达到94.37%，并通过实验验证了该结果的可靠性。

3.4 催化剂重复使用性

研究人员对香蕉皮衍生催化剂进行了五次循环使用测试。结果表明，催化剂在重复使用过程中仍保持良好的催化活性，经过五次循环后，生物柴油产率仍保持在较高水平，显示出该催化剂具有良好的稳定性和可重复使用性，这对于降低生产成本具有重要意义。

4. 总结与讨论

本研究成功证明了利用香蕉皮制备的非均相催化剂结合随机森林（RF）模型优化，可以有效提升生物柴油的生产效率和产率。研究表明，通过将SFO与QNO混合，能够平衡原料的脂肪酸组成，改善最终生物柴油的品质。所开发的香蕉皮催化剂不仅来源广泛、成本低廉，而且表现出优异的催化活性和可重复使用性，为解决传统均相催化剂的环境和经济问题提供了可行方案。RF模型的应用则展示了对复杂非线性工艺过程进行精准建模和优化的强大能力，为生物柴油生产的智能化控制奠定了基础。

研究结论：本研究通过整合生物质衍生催化剂与随机森林（RF）优化技术，成功开发了一种经济高效、高产率且环境可持续的生物柴油生产方法。在最优条件下（反应温度56.5 °C、甲醇与油摩尔比7.5:1、催化剂用量4.4 wt%），实现了94.37%的最高生物柴油产率。这项工作为利用农业废弃物生产绿色能源提供了新的思路，并展示了机器学习在推动可再生能源技术发展中的巨大潜力。