引言
生物质是一种重要的替代能源，由于其碳中性、低污染、种类繁多以及在自然界中的丰富性，受到了全球关注，使其成为煤炭的良好替代品 [1]。这使得生物质成为最大的利用能源，其次是煤炭、石油和天然气 [1,2]。气化是一种热化学转化过程，是将含碳材料转化为合成气的经济可行方法之一 [3]。气化反应器（通常称为气化炉）存在多种配置。其中，流化床反应器因其优势而被广泛接受 [[4], [5], [6]]。在这些反应器遇到的各种运行挑战中，一个显著的问题是床层团聚，这可能导致失流化并引发反应器停机 [7]。
在气化和燃烧过程中，生物质成分 [8] 与床层材料之间可能在相对较低的温度下发生相互作用，并可能导致颗粒相互粘附（团聚）[9,10]。团聚机制可分为三种不同类型：部分熔化引起的团聚、粘性流动和化学反应 [11,12]。部分熔化是指灰分中低熔点固体成分形成炉渣，随后导致熔融引起的团聚 [13]。熔融引起的团聚和包覆引起的团聚都可能由粘性流动和化学反应烧结导致 [4,11]。床层材料与灰分成分在化学反应期间的相互作用，特别是涉及钾和钠等碱金属时，可能导致低熔点化合物的形成并促进颗粒相互粘附 [9,13]。多项研究报告了操作温度与失流化时间之间的反比关系 [7,[14], [15], [16], [17]]。众多研究人员调查了各种碱盐对团聚的影响，包括钾、钠盐以及某些磷酸盐化合物。大多数研究人员将这些化合物的已知数量与硅砂混合，并在各种温度下进行流化。随后，他们确定了发生团聚的具体组成和温度 [[18], [19], [20], [21], [22], [23], [24]]。
虽然实验和理论方法都是可行的，但气化炉的实验研究尤为复杂、耗时且昂贵。因此，数值模拟已成为气化研究日益受欢迎的工具。这种方法可以有效地模拟过程，并便于研究操作参数对反应器性能的影响，从而实现优化 [25,26]。有多种建模方法可用，包括热力学模型、基于反应速率或动力学模型、人工神经网络（ANN）模型和计算流体力学（CFD）模型 [[25], [26], [27], [28], [29]]。在这些模型中，动力学模型、人工神经网络（ANN）和计算流体力学（CFD）可以通过纳入反应器流体动力学更准确地预测气体组成。然而，这些模型的一个重大挑战是，问题复杂性的增加需要更多的计算资源 [26,30,31]。它们预测的准确性还取决于用于模型训练和测试的数据范围 [26,29]。
热力学平衡模型通过采用反应平衡假设来解决该问题。研究人员青睐这种方法，因为它能够以最小的计算资源解决复杂的反应系统。虽然该建模方法在求解过程中不纳入气化炉设计参数，但它提供了合成气组成的可靠近似，从而作为过程设计和优化的指导 [26,28]。大约 66% 的数值模型采用热力学平衡方法 [25]。此类模型的主要假设是反应在完全混合的条件下无限期进行，从而实现平衡 [27]。在现有的热力学模型中，化学计量方法通过将元素质量平衡、能量平衡和平衡反应方程集成来解决此问题 [[25], [26], [27]]。大多数热力学模型仅预测输出组成，无论是否使用校正方程。拟平衡模型通过引入校正因子和转化效率来开发，以解决基本平衡模型固有的局限性 [32,33]。
床层中的纯二氧化硅与高碱生物质（如咖啡壳）灰分中成分的相互作用会导致低熔点共晶的形成，从而导致团聚 [34]。在实际应用中，还需要结合输出检查这些物理障碍。某些平衡模型预测反应的自热温度 [26]。然而，在某些情况下，该预测温度超过了过程中形成的某些共晶的物理熔点。在实际场景中，过程可能因团聚等因素而中断，而模型未能考虑到这些情况。完全依赖热力学平衡建模限制了模型检测热风险的能力，这可能无法应对现实情况 [35]。
许多研究采用了一种混合框架，将机器学习（ML）与热力学或现象学模型相结合，以模拟生物质气化并优化性能 [[36], [37], [38]]。此外，这些模型还通过利用标准关系独立于操作条件来预测团聚风险 [39,40]。据作者所知，大多数研究将此集成框架作为优化的并行分析工具或用于完善简单平衡模型的比较工具 [41,42]。然而，这些模型完全忽略了固 - 液相变，而这可能在团聚的起始和发展中发挥关键作用。
本研究提出了一种创新的方法，旨在弥合现有差距，从而使模型能够准确预测输出气体组成，同时为流化床气化炉建立无风险的运行指南。开发的框架利用修改后的化学计量热力学平衡模型，使用牛顿 - 拉夫森方法求解，以精确预测气体组成、焦油和固定碳含量以及自热温度。为了解决该热力学模型的局限性，整合了一个使用 FactSage 生成数据训练的机器学习算法，以评估和预测与反应器运行相关的热风险水平。这种多模型集成方法有望成为优化操作参数的有力工具，从而使反应器能够连续运行而不失流化。
M. Anil|K. Vijayaraj|P. Arun
