知识引导的机器学习与智能平台集成预测生物质热力学性质

《Green Chemical Engineering》:A knowledge-guided prediction of biomass thermodynamic properties integrating intelligent platform and machine learning

【字体: 大 中 小 】 时间:2026年09月18日 来源:Green Chemical Engineering 11.9

编辑推荐:

  生物质热力学平台能够实现高通量数据生成;知识引导的描述符能够提高机器学习(machine learning, ML)预测精度;元素分析(ultimate analysis, UA)使得生物质热力学性质的估算成为可能。

  
生物质热力学平台能够实现高通量数据生成;知识引导的描述符能够提高机器学习(machine learning, ML)预测精度;元素分析(ultimate analysis, UA)使得生物质热力学性质的估算成为可能。
化石燃料的过度开采与消耗不仅会逐渐耗尽资源储量,还会引发严重的气候变化和环境污染。相比之下,生物燃料能够大规模生产,被广泛视为未来能源供应的有前景替代方案。中国生物质资源的能量潜力据估计相当于约10亿吨标准煤。为实现此类资源的高效利用,生物质的热化学性质(如高位热值,HHV)在可行性分析、过程设计和数值模拟中发挥着关键作用。然而,不同生物质类型的HHV差异显著,主要源于元素组成(如碳和氧含量)及灰分含量的不同。尽管热化学性质可直接测量,但此类方法往往耗时且需要精密设备。因此,开发快速、准确且经济高效的生物质热力学性质估算方法十分必要。现有估算方法大致可分为经验关联模型和基于元素分析或工业分析的机器学习方法。其中,基于元素分析的经验模型通常能达到较高预测精度,因其直接反映生物质元素组成。Dulong方程是最广泛使用的经验关联式之一,已成功应用于无烟煤、半无烟煤和烟煤的HHV估算,误差约为1.5%,但该方程对生物质的适用性有限,因为生物质的氧和灰分含量远高于化石燃料。近年来,机器学习方法被越来越多地用于捕捉生物质组成与热力学性质之间的复杂非线性关系。研究表明,ML模型通常优于传统经验关联,但其预测性能仍受限于实验数据集多样性不足以及缺乏具有物理意义的描述符。数据增强策略应运而生,其中基于噪声的增强仅扰动现有样本,对模型泛化能力的提升有限。知识引导的数据增强在复杂热化学体系建模中展现出巨大潜力,描述符工程同样对ML性能至关重要。还原度(RD)概念最早由Kharasch和Sher提出,其基于燃烧参考状态的计算方法建立于20世纪70年代。先前研究表明,HHV与RD可实现高精度关联(R2=0.996),进一步引入灰分后,该模型可成功推广至生物质(R2=0.858)。然而,这些应用大多局限于HHV预测,而非全面的生物质热力学性质预测。

在本研究中,研究人员开发了一种将RD和热力学方程与ML相结合的知识引导框架,用于生物质热力学性质预测。首先,基于元素组成计算生物质RD,并与热力学方程、热力学参数及先前开发的HHV关联模型结合,建立Biothermodata平台。该平台能够高通量计算HHV、反应焓、熵、吉布斯自由能和化学火用,从而生成用于机器学习建模的热力学数据库。随后,采用知识引导的热力学数据增强策略扩充实验数据集,并开发RD描述符引导的机器学习模型(ML-RD)用于预测生物质热力学性质。最后,使用R2、均方根误差(RMSE)和平均绝对误差(MAE
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号