孔隙结构与微观组织对印度尼西亚低阶煤高位发热量预测的启示：多技术案例研究与交叉验证统计评估

《Next Energy》：Pore structure and microstructural insights on higher heating value prediction for Indonesian low-rank coals: A multi-technique case study with cross-validated statistical assessment

　　

印度尼西亚低阶煤（low-rank coals, LRCs）是一种战略性能源资源，但其高水分、富氧有机基质以及非均质的孔隙-矿物结构，使经典关联式对高位发热量（higher heating value, HHV）的预测变得复杂。本研究关注的不是哪一个方程能最准确地预测HHV，而是为什么经典关联式会对热带低阶煤产生偏离。研究人员将亚齐低阶煤（A1）的微观结构表征与经过筛选的印度尼西亚低阶煤数据集的交叉验证评估相结合。X射线衍射（X-ray diffraction, XRD）揭示其以无序碳质基质为主，并含次要石英和高岭石；扫描电子显微镜-能量色散X射线光谱（scanning electron microscopy with energy-dispersive spectroscopy, SEM-EDX）显示存在富有机质和富矿物区域，并伴有局部Fe-S共生；N₂吸附分析表明其具有较高的Brunauer-Emmett-Teller（BET）比表面积（418 m²/g），且孔隙以介孔为主。这些观察结果表明，HHV受水分-孔隙-氧-矿物相互作用的耦合控制，而非仅由元素组成决定。研究人员在留一交叉验证（leave-one-out cross-validation, LOOCV）下评估了五种经典关联式、三种多元线性回归（multiple linear regression, MLR）变体和三种机器学习算法。梯度提升（Gradient Boosting）取得了最低误差（R² = 0.82，RMSE = 1.68 MJ/kg，MAPE = 6.0%）；修正杜隆（Modified Dulong）关联式是最可靠的闭式关联式（MBE = ?1.31 MJ/kg）。其他经典关联式出现系统性低估（MBE = ?2.4至?4.2 MJ/kg），反映出含氧官能团、保水介孔以及特定物相矿物效应被压缩进元素或灰分项中所导致的结构性偏差。该工作为改进印尼低阶煤HHV模型提供了一个机理框架。

研究背景与问题

煤炭仍是印度尼西亚能源结构的基石，2024年电力部门约占国内煤炭消费的57.4%，该国为世界第三大产煤国。印尼探明储量中超过半数属于低阶煤（low-rank coals, LRCs），主要分布在东加里曼丹、南苏门答腊和南加里曼丹煤盆地。这些热带低阶煤具有高内在水分（通常20–40%）、高氧含量（超过25%）以及复杂的矿物-有机质结合特征。经典高位发热量（higher heating value, HHV）关联式基于元素或工业分析，将煤视为组成均匀体系，因而对印尼LRCs产生系统性预测偏差。已有研究多关注哪个方程更准确，却较少解释偏差的物理来源。该研究以亚齐低阶煤A1为微观结构锚点，结合交叉验证的模型评估，回答经典关联式为何对热带LRCs偏离，并为改进HHV模型提供机理框架。

研究内容与整体结论

研究人员从初始50条煤样记录中筛选出20个印尼LRC样品构成分析数据集，数据来自A1实验、已发表研究和政府/技术报告，并满足地理来源、低阶煤水分区间、完整数据和质量平衡等标准。在留一交叉验证（leave-one-out cross-validation, LOOCV）下，研究比较了5种经典经验关联式、3种多元线性回归（multiple linear regression, MLR）变体和3种机器学习算法。结果表明：梯度提升（Gradient Boosting）误差最低（R² = 0.82，RMSE = 1.68 MJ/kg，MAPE = 6.0%）；修正杜隆（Modified Dulong）是最可靠的闭式关联式（MBE = ?1.31 MJ/kg）；其余经典关联式均系统性低估HHV（MBE = ?2.4至?4.2 MJ/kg），且低估程度随氧校正增强而减小。A1的X射线衍射（X-ray diffraction, XRD）显示约85%无序/非晶碳质基质、约10%石英和约5%高岭石；扫描电子显微镜-能量色散X射线光谱（SEM-EDX）显示富有机质与富矿物区域，并见局部Fe-S共生；N₂吸附分析表明BET比表面积为418.4 m²/g，介孔占总孔容约81%，等温线为Type IV(a)和H3滞后环。A1实测内在水分15.23%大于按BET面积换算的理论单分子层水容量约11.9%，表明水分除单层吸附外还可能涉及多层吸附和介孔毛细凝聚。这些微观特征说明HHV受水分-孔隙-氧-矿物耦合作用控制，而非单独由元素组成决定。

关键方法概述

研究采用ASTM标准进行工业分析、元素分析和氧弹量热法测定HHV；用XRD结合参比强度比（reference intensity ratio, RIR）半定量分析矿物相；用SEM-EDX分析微区元素分布；用N₂吸附等温线（BET法、Barrett-Joyner-Halenda, BJH法、Horvath-Kawazoe, HK法）表征孔隙结构。统计评估在LOOCV下进行，模型涵盖5种经典关联式、3种MLR变体和3种机器学习算法。样本队列包括亚齐A1样品和经筛选的20个印尼LRC样品（初始50条记录来自A1实验、已发表研究及政府/技术报告，经完整性和质量平衡筛选后保留）。

研究结果

3.1 数据集特征与HHV预测性能

基于20个印尼LRC样品，研究在LOOCV下比较了全部模型的预测性能。所有经典关联式均呈现负平均偏差误差（mean bias error, MBE），即系统性低估；偏差幅度从经典杜隆的?4.22 MJ/kg减小到修正杜隆的?1.31 MJ/kg，说明氧校正是关键。Gradient Boosting为总体最优模型，MLR-Combined次之。

3.2 微观结构特征

以A1为微观结构锚点，XRD显示其以无序碳质基质为主，石英和高岭石为次要晶相，另有方解石和痕量铁硫化物；SEM-EDX显示有机质富集区与矿物富集区并存，局部Fe-S共生产物可能为黄铁矿痕迹；N₂吸附显示高比表面积、介孔主导的孔隙网络和H3滞后环。实测水分超过理论单分子层水容量，说明介孔和极性表面能够保留更多水分。

3.3 关键观测模式总结

研究归纳出三个关键模式：其一，经典关联式均系统性低估，氧校正是必要但不充分的条件；其二，A1并非组成均匀的煤样，而是无序碳质基质、介孔网络和异质矿物相的复合体；其三，氧、水分、灰分等体相变量各自编码了多种耦合物理效应，因此仅依赖单一变量难以准确预测HHV。

讨论部分总结

讨论指出，HHV应视为组成-结构耦合性质，而非单纯组成问题。氧含量既反映化学成熟度较低，又代表含氧极性官能团带来的亲水性；高比表面积和介孔网络通过多层吸附和毛细凝聚增强水分保留；不同矿物相（石英、高岭石、方解石、铁硫化物）具有不同热行为，单一灰分项无法完整描述其热效应。经典关联式的残差并非随机噪声，而是缺失结构描述符的证据。Gradient Boosting的更好性能说明HHV受水分、碳、氧、挥发分、灰分及衍生比值的非线性交互作用控制。作为敏感性检验，500次袋外（out-of-bag, OOB）bootstrap给出R² = 0.75、RMSE = 1.96 MJ/kg，且逐次迭代波动较大，因此LOOCV指标应视为针对该数据集的点估计，不宜过度外推。

结论翻译

该研究将交叉验证模型评估与亚齐低阶煤（A1）微观结构表征相结合，以解释HHV关联式为何对印尼LRCs存在偏差。从初始50条记录中保留20条印尼LRC样本用于模型比较。所有经典关联式均低估HHV（MBE为?1.3至?4.2 MJ/kg），且偏差随氧校正变得更加明确而减小，使修正杜隆成为最可靠的闭式选项；梯度提升通过捕捉组成描述符之间的非线性相互作用获得最低误差（R² = 0.82，RMSE = 1.68 MJ/kg）。XRD、SEM-EDX和BET证据表明，A1是一种富氧、介孔、矿物非均质煤，这解释了为何仅靠组成不够：氧反映化学成熟度和表面极性，介孔和极性表面保留水分，不同矿物相无法用单一灰分项表示。因此，这些煤的HHV应视为组成-结构耦合性质，未来关联式应纳入傅里叶变换红外光谱（Fourier transform infrared spectroscopy, FTIR）氧官能团指数、BET比表面积和孔体积以及矿物学指标等结构描述符。