基于前馈人工神经网络的废塑料与生物质热解生物油产率预测建模与AI驱动优化研究

《Applied Research》：Advancements in Waste-to-Energy Conversion Using Pyrolysis and Artificial Intelligence

　　

传统热解（Pyrolysis）系统通常在固定工艺参数下运行，限制了其对原料特性和操作条件变化的适应能力。本研究探讨了将人工智能（Artificial Intelligence, AI），特别是人工神经网络（Artificial Neural Network, ANN），整合到废物能源化（Waste-to-Energy, WTE）热解过程中，以改善能源利用效率和生物油（Bio-oil）产率。实验数据来源于实验室规模的固定床热解反应器，涵盖不同原料类型、温度、停留时间和单位能耗比（Specific Energy Consumption）水平。研究人员构建了一个含两个隐含层的前馈式人工神经网络（Feedforward ANN），以70:15:15的比例将数据划分为训练集、验证集和测试集，用于预测生物油产率。模型性能采用决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）进行评估，并与传统线性回归进行基准比较。结果显示，该ANN在测试集上的决定系数R²约为0.665，MAE和RMSE分别为0.049%和0.061%，表现出优于传统线性回归（R²约为0.531）的预测性能。研究结果表明，AI辅助热解可为预测生物油产率、降低单位能耗以及支持废物能源化转化过程的优化提供一种更加灵活、数据驱动的策略。

**论文解读**

**一、研究背景与问题提出**

热解（Pyrolysis）是一种在无氧高温条件下对有机物进行热化学分解的技术，可将复杂的有机废弃物转化为生物油（Bio-oil）、合成气（Syngas）和固体焦炭（Solid Char）等较简单的产物。作为一种新兴的废物能源化（Waste-to-Energy, WTE）技术，热解不仅能减少废弃物填埋量，还能提供可再生能源，具有显著的环境可持续性优势。随着城市化和工业化进程加快，传统废弃物处理方式——如填埋和焚烧——带来了严重的环境和健康风险：焚烧会释放二噁英（Dioxins）及颗粒物等有毒气体，而填埋气回收则面临废弃物分解不稳定和产气不稳定的挑战。

然而，尽管热解技术前景广阔，其在优化运行方面仍面临诸多难题。传统热解系统通常依赖固定的工艺参数，一经设定便无法在运行过程中根据原料特性变化或实时工况进行动态调整。热解效率依赖于温度、压力、停留时间等多个因素的精确控制，而不同废弃物的反应行为差异显著，进一步增加了控制的复杂性。此外，将热解装置放大至工业规模也面临工程挑战。因此，引入人工智能（Artificial Intelligence, AI）等新兴技术以解决上述问题成为当前研究的重要方向。

**二、研究内容与意义**

本研究的核心目标是评估将AI整合到热解系统中对能源转化效率和产物产率的提升效果。研究人员以实验室规模的固定床热解反应器（Fixed-Bed Pyrolysis Reactor）为实验平台，获取了不同原料类型（塑料废弃物、生物质、混合废弃物）、不同温度、不同停留时间和不同单位能耗条件下的实验数据，构建并训练了一个含两个隐含层（分别含32和16个神经元）的前馈式人工神经网络（Feedforward ANN），以原料类型、热解温度、停留时间和单位能耗为输入变量，以生物油产率为输出目标，对热解过程进行预测建模。研究同时将ANN与传统线性回归模型进行了基准比较，采用决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）作为评估指标。结果表明，AI辅助热解能够以更加灵活、数据驱动的方式预测生物油产率，降低单位能耗（Specific Energy Consumption），并支持废物能源化转化过程的优化，为将AI引入热解工艺的可行性提供了实验与模型层面的实证支撑。

**三、主要技术方法概述**

研究采用了实验室规模固定床热解反应器装置，配备电加热系统、热电偶（Thermocouples）和数字功率计。原料包括塑料废弃物、生物质和混合废弃物三类，实验前均经干燥处理至含水量低于10 wt.%，并粉碎至约10–20 mm粒径。反应器在持续氮气吹扫的无氧气氛中加热至450°C、475°C或500°C目标温度，停留时间控制在25至35分钟。完整实验数据集共包含15个观测样本（含三次重复），按70:15:15的比例随机划分为训练集、验证集和测试集。数值变量在训练前进行最小-最大归一化（Min–Max Scaling）；ANN采用Adam优化算法（Adaptive Moment Estimation）进行训练，学习率为0.001，批大小为16，最大训练周期为200个epoch。模型性能以R²、MAE和RMSE在独立测试集上进行评估。

**四、主要研究结果**

（1）实验数据集：研究人员详细描述了实验数据获取过程——每次实验前将1 kg原料干燥并粉碎，在无氧条件下加热至目标温度，通过数字功率分析仪连续记录电能消耗，并以初始原料质量计算单位能耗（kWh/kg）。生物油产率通过冷凝收集及分析天平称量计算，以回收生物油质量占初始原料质量的百分比表示。

（2）热解优化中使用的AI技术：研究梳理了当前用于热解优化的主要AI技术类型，包括神经网络（Neural Networks）、深度学习（Deep Learning）模型、遗传算法（Genetic Algorithms, GAs）和机器学习（Machine Learning, ML）模型。神经网络能通过分析大量数据（温度、压力、原料类型等）预测热解系统性能，深度学习模型则能捕捉热解反应中的非线性关系；GAs通过模拟自然选择原理，在反应器设计、温度分布和催化剂组成等多变量空间中寻找最优参数组合；ML模型则利用传感器实时数据进行自适应控制和生物油质量预测。

（3）传统与AI优化热解系统的比较性能分析：研究人员分别构建了传统热解和AI优化热解在能耗、转化效率和产物产率三个维度的数学模型。传统系统中能耗E_trad是温度、加热速率和停留时间的固定函数，转化效率η_cov,trad和产物产率Y_trad也均设为静态参数。而在AI优化系统中，能耗E_AI、转化效率η_cov,AI和产物产率Y_AI均通过ML模型和AI优化因子α_AI实现动态调整。值得注意的是，最终报告的性能改进来源于训练后ANN模型的预测输出，而非预设的优化系数。ANN通过持续评估原料类型、温度、停留时间和能耗之间的非线性关系，识别出能够在最大化生物油产率的同时最小化能耗的操作条件。

（4）ANN与传统线性回归的性能基准比较：ANN在训练集（70%数据）上的R²为0.6840，MAE为0.42%，RMSE为0.58%；在验证集（15%数据）上的R²为0.6680，MAE为0.045%，RMSE为0.056%；在测试集（15%数据）上的R²为0.6652，MAE为0.049%，RMSE为0.061%。相比之下，传统线性回归在测试集上R²仅为0.53125，MAE和RMSE分别高达2.28%和0.13%。训练、验证和测试三个子集上指标的紧密一致性表明ANN具有良好的泛化（Generalization）能力，未出现过拟合（Overfitting）现象。

**五、讨论总结与研究结论**

讨论部分指出，传统热解系统的效率η_cov,trad和产率Y_trad虽然受温度、停留时间和原料类型影响，但均为静态函数，缺乏实时适应能力。而AI优化系统通过引入AI优化因子α_AI，能够根据实时反馈动态调节运行参数，突破了传统系统的固有局限。研究强调，多层ANN架构能够有效解析热解过程中复杂的非线性热化学交互关系，而标准线性模型无法胜任这一任务。

研究结论如下：本研究证明，将AI（尤其是ANN）整合到WTE热解中，可为改善过程性能提供一种有前景的数据驱动方法。基于实验室规模固定床热解反应器的实验研究表明，原料类型、热解温度、停留时间和单位能耗是预测生物油产率的重要参数，ANN框架能够比传统固定函数模型更灵活地捕捉这些非线性关系，从而识别出可降低能耗、提高生物油产量和转化效率的操作条件。对比评估进一步表明，所提出的ANN在训练、验证和测试数据集上的预测能力均优于传统线性回归模型，在测试集上实现了约0.665的R²和更低的预测误差。总体而言，AI辅助热解相较于传统方法能够提升操作的灵活性、能源利用效率和产物产率优化水平。但当前模型基于仅15个观测样本的较小规模实验数据集构建，未来需开展更大规模、更具多样性的实验，纳入更多工艺变量，并在中试和工业规模条件下对ANN进行验证，以实现模型的推广与工业应用。