基于两阶段预测建模与数据增强的油泥-固体废弃物共热解产物优化方法

《Journal of Hazardous Materials》：A Two-Stage Predictive Modeling and Data Augmentation Approach for Optimizing Co-pyrolysis Products from Oily Sludge and Solid Wastes

　　

采用机器学习（Machine Learning, ML）与数据增强方法对油泥共热解进行预测。多任务梯度提升回归（Gradient Boosting Regression, GBR）模型能够准确预测共热解油、气和焦炭的产率。灰分含量（OS_Ash）与污泥混合比（S_ratio）是影响共热解产物的主要SHAP变量。基于梯度惩罚的Wasserstein生成对抗网络（Wasserstein Generative Adversarial Network with Gradient Penalty, WGAN-GP）数据增强提升了芳烃产率的预测性能（测试集R²=0.9398）。约束粒子群优化（Particle Swarm Optimization, PSO）识别出一个候选条件，其油产率为83.90%，芳烃产率为14.29%。

油泥是石油勘探、开采、储运及炼制过程中产生的典型固体废物，其成分复杂，含有石油烃、重金属和致癌物质，若管理不当会带来严重的生态和健康风险，但其中可回收的石油烃又使其成为具有替代燃料生产潜力的二次资源。热解是油泥处理与资源化的有效途径，然而单独热解存在能耗高、油品质量差等瓶颈。与生物质、塑料及废轮胎等固体废物共热解可借助协同作用显著提高油产率和油品质量，尤其有利于芳烃和直链烃的生成。然而，共热解产物分布受原料特性、混合比、温度、升温速率等多因素非线性影响，传统实验优化方法耗时且昂贵。机器学习（ML）方法近年来在热解建模中显示出巨大潜力，但既有研究多集中于大宗产物（油、气、焦炭）产率预测，对热解油中芳烃这一关键品质指标关注不足，且芳烃数据因缺乏标准化报告而高度稀缺，严重制约模型训练。为此，研究人员开发了一种集成多任务机器学习、WGAN-GP数据增强和约束粒子群优化（PSO）的两阶段预测建模框架，旨在同时预测和优化油泥与固体废物共热解的产物分布（油、气、焦炭）及热解油中芳烃产率，并系统验证数据增强对芳烃预测性能的改进效果。该研究成果发表于《Journal of Hazardous Materials》。

研究人员通过Web of Science数据库检索2017—2025年间油泥与固体废物共热解相关文献，经严格筛选和物理合理性核查，最终从20篇论文中提取数据，构建了两个数据集：数据集A包含186个样本，用于多任务预测油、气、焦炭产率；数据集B包含51个样本，用于芳烃产率预测。主要技术方法包括：采用随机森林（RF）、梯度提升回归（GBR）、极端随机树（ETR）和极限梯度提升（XGB）四种树模型建立多任务预测模型；使用SHAP分析进行特征重要度排序与模型解释；针对数据集B样本量小的问题，采用WGAN-GP生成合成样本扩充训练集，并与Bootstrap、高斯噪声及传统生成对抗网络（GAN）进行对比；最后将训练好的油产率与芳烃产率代理模型嵌入约束PSO框架，进行多目标逆设计优化。

3.1 统计特征分析：通过小提琴箱线图和Pearson相关分析，研究人员发现油泥和固体废物的元素组成中碳、氧含量显著高于氮、硫、氢，挥发分含量普遍高于灰分；灰分与油产率负相关、与焦炭产率正相关，温度与气产率正相关、与焦炭产率负相关。数据集B中芳烃产率介于0—42.05%，温度集中在400—600°C，且芳烃产率与SW_Ash和SW_O呈负相关；温度与S_ratio虽与芳烃线性相关性弱，但因其已知的非线性作用仍被保留于模型中。

3.2 多任务ML预测：四种树模型均能有效捕捉共热解产物变化趋势，其中GBR模型在测试集上对油、气、焦炭产率的R2均超过0.96，表现最优。SHAP分析表明，OS_Ash、S_ratio、SW_O和温度是跨产物最重要变量；灰分高会抑制油产率而促进焦炭生成，温度促进产气而降低焦炭。按变量类别统计，原料混合物的元素分析贡献占33.5%，污泥工业分析占19.3%，S_ratio单独贡献13.8%。针对油产率预测，OS_Ash、OS_FC、SW_O、SW_Ash和S_ratio为前五重要变量，进一步与温度一起被选为芳烃预测模型输入特征。

3.3 增强预测芳烃：通过十轮循环生成与筛选，第三轮WGAN-GP增强获得最低交叉验证MAE（4.34），保留84个合成样本；t-SNE可视化显示合成样本与原始样本分布重叠并适度扩展域。与原模型（测试R2=0.8892）相比，WGAN-GP增强模型测试R2提升至0.9364，最高达0.9398，RMSE和MAE最多分别降低24.15%和17.18%；六次独立重复均显示一致改进。相比之下，Bootstrap增强仅有轻微提升，高斯噪声无改善，传统GAN未带来增益。SHAP分析显示，增强后OS_Ash仍是最重要变量，但各变量贡献更均衡，其中温度因原始数据覆盖窄而在增强后获得更大且更结构化的SHAP贡献。

3.4 PSO优化：将油产率阈值设为33.96%（数据集B均值），且S_ratio限制在10%—90%以保持共热解域，研究人员通过约束PSO最大化芳烃产率，识别出代表性候选条件：OS_Ash=2.30 wt%、OS_FC=0.86 wt%、SW_O=1.96 wt%、SW_Ash=72.09 wt%、温度546°C、油泥混合比56 wt%，预测油产率83.90%、芳烃产率14.29%。重复PSO运行和约束敏感性分析表明该高芳烃候选区域在数值上稳定，但具体操作条件不唯一。

讨论部分指出，该研究证明多任务ML、WGAN-GP数据增强与优化集成可用于共热解过程设计。未来应扩大数据集规模和多样性，采用更具物理一致性的数据增强方法，通过真实实验验证模型预测条件，并将经济与环境评估整合进优化框架。总体上，本研究提供了一种数据高效且可解释的工作流，同时预测共热解产物分布和芳烃产率，为复杂废弃物热处理过程优化提供了实用指导，也为危险废物的绿色资源化和循环经济提供了新策略。研究结论可总结为：相较于传统的单产物预测和实验试错方法，该框架显著提升了小样本条件下的芳烃预测能力，并通过约束优化获得了兼顾产物产量与油品质量的候选工艺条件，为智能热解过程开发奠定了基础。