基于实验-机器学习方法的木糖转化为糠醛的过程解析与优化

《Industrial Crops and Products》：Understanding and optimizing xylose conversion to furfural for biomass valorization using experimental-machine learning methods

　　

本研究探索了实验与机器学习相结合的方法，用以理解和优化生物质增值过程中木糖向糠醛的催化转化。研究人员考察了催化剂类型与反应介质对木糖转化率、糠醛选择性和糠醛产率的影响，并通过实验机器学习与统计方法进行分析。优化的木糖脱水反应实现了96.9%的木糖转化率和71.1%的糠醛产率。整体而言，极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型对目标变量的预测准确度优于随机森林（Random Forest, RF）。

论文解读：实验-机器学习框架优化木糖制糠醛

**研究背景**

随着可持续燃料和化学品的需求日益增长，生物质作为化石原料的可再生替代方案受到广泛关注。糠醛（furfural）是源自生物质的重要平台化学品，可作为生物燃料、树脂和精细化学品的前体。糠醛通常由木质纤维素半纤维素组分中的木糖（xylose）经两步酸催化过程合成：首先由路易斯酸催化木糖异构化为木酮糖（xylulose），再由布朗斯台德酸或路易斯酸催化脱水生成糠醛。虽然反应路径相对简单，但受动力学和热力学限制，大规模实施仍面临产率低、选择性差的问题。糠醛具有高反应活性，易发生再水合、聚合以及与未反应木糖的缩合反应，生成腐殖质（humins）和树脂，不仅降低产率，还会导致催化剂失活和表面污染。在催化剂方面，均相酸虽活性高但具有腐蚀性且难以分离；多相催化剂如磺化碳材料、沸石和金属有机框架（MOFs）具有更好的环境兼容性和可回收性，但路易斯酸与布朗斯台德酸位点的平衡至关重要。反应介质同样显著影响糠醛产率，双相体系通过原位萃取糠醛可有效抑制副反应。然而，现有研究多为单变量优化，难以捕捉多因素间的非线性交互作用，且将机器学习工具用于系统解码催化剂–溶剂相互作用的研究尚不充分。为此，研究人员提出了一个集成实验分析、统计和机器学习（machine learning, ML）的数据驱动框架，以系统优化木糖催化转化为糠醛的过程。

**研究内容与总体结论**

研究人员选用ZSM-5沸石、SO₃H功能化生物炭和MIL-101(Cr)-SO₃H三类催化剂，在多种双相介质中对木糖转化制糠醛进行了全面实验筛选。通过Pearson相关系数分析变量间线性关联，训练随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型评估预测性能，并采用SHapley Additive exPlanations（SHAP）分析解释模型以识别关键变量。研究表明，ZSM-5(80)催化剂在1:9水–甲苯双相体系中，于160 °C反应3小时，实现了96.9%的木糖转化率、73.2%的糠醛选择性和71.1%的最大糠醛产率。XGBoost模型对目标变量的预测性能整体优于RF。该实验-ML-统计联合方法可加速催化剂筛选和工艺优化，为可持续生物精炼中糠醛的工业化生产提供重要支撑。

**主要技术方法**

研究人员采用傅里叶变换红外光谱（FTIR）、N₂吸附（BET/BJH法）、NH₃程序升温脱附（NH₃-TPD）和热重分析（TGA）对催化剂进行表征；在100 mL Parr间歇反应器中，以160 °C、3 MPa N₂条件进行木糖催化转化，并使用高效液相色谱（HPLC）定量产物；通过Pearson相关分析、XGBoost和RF模型训练及5折交叉验证评估预测性能，最后用SHAP方法解释模型。糖水解液样本来自密西西比州立大学可持续生物制品系研究团队提供的工业相关木质纤维素水解液。

**研究结果**

**3.1. 催化剂表征（Catalyst characterization）**
FTIR分析证实MIL-101(Cr)-SO₃H和SO₃H功能化生物炭成功接枝磺酸基团，且ZSM-5(80)反应后骨架保持完整，表面存在碳沉积。N₂吸附表明三种催化剂均具介孔性，其中ZSM-5(80)具有最高BET比表面积（454.02 m²/g）和微–介孔等级结构，有利于物质扩散和形状选择性。NH₃-TPD显示ZSM-5(80)含有丰富的弱酸和中强酸位，可促进选择性脱水并抑制副反应；MIL-101(Cr)-SO₃H酸强度分布宽且含强酸位，虽促进转化但易加剧副反应；SO₃H功能化生物炭总酸量较低。TGA表明新鲜ZSM-5(80)热稳定性高，而废催化剂在200–600 °C显著失重，证实碳沉积是失活的主要原因。

**3.2. 木糖转化筛选实验（Screening experiment of xylose conversion）**
在考察不同介质和SiO₂/Al₂O₃比例的影响时，水–γ-戊内酯（W-G）体系以ZSM-5(80)获得最高糠醛产率（45.0%），而水–甲苯（W-T）体系以ZSM-5(80)获得最高糠醛选择性（67%）。较高的SiO₂/Al₂O₃比对应较高布朗斯台德酸性，有助于减少强酸位引发的降解反应，因此ZSM-5(80)选择性最佳。在催化剂类型比较中，MIL-101(Cr)-SO₃H实现最高木糖转化率（96.8%）和产率（52.9%），但ZSM-5(80)的选择性（67%）显著更高，归因于其适宜的酸位分布和孔道结构。在水–甲苯比例优化中，1:9比例表现最佳，获得91.2%转化率和62.4%产率，高甲苯含量有利于糠醛连续萃取并抑制水相中的二次反应；9:1则因萃取不足导致选择性降至50.6%。

**3.3. 反应时间的影响（The effect of reaction time）**
在ZSM-5(80)和1:9水–甲苯体系下，反应时间从1 h延长至3 h时，木糖转化率由91.2%微增至96.9%，糠醛选择性由68.3%提升至73.2%，糠醛产率在3 h时达到最大值71.1%。更长时间可能引发糠醛二次降解，因此3 h为最优反应时间。

**3.4. 催化剂回收（Catalyst recycling）**
循环实验显示，ZSM-5(80)在前两次反应中活性稳定（转化率约96.9%–97.0%），第三次循环时转化率降至92.3%，选择性从73.2%降至51.6%，表明碳沉积导致孔道堵塞和活性位覆盖。经550 °C煅烧4 h热再生后，催化剂恢复至94%转化率和70%选择性，与新鲜催化剂性能接近，证明热再生可有效去除碳沉积并恢复活性。

**3.5. 相关性分析和模型性能（Correlation analysis results and model performance）**
Pearson相关分析显示，水含量与糠醛选择性（-0.51）和产率（-0.56）呈负相关，甲苯与选择性（0.50）和产率（0.51）呈正相关。SHAP分析进一步揭示，对木糖转化率影响最大的变量为甲苯和水；对选择性影响最大的为ZSM-5(23)和水；对产率而言水贡献最强。模型性能评估表明，XGBoost对糠醛产率预测效果最佳（平均绝对误差MAE=3.42），整体优于RF。

**3.6. 糖水解液转化反应（Sugars hydrolysate conversion reaction）**
在真实木质纤维素水解液作为原料、ZSM-5(80)和1:9水–甲苯体系下，木糖转化率从1 h的53.7%升至3 h的68.2%，糠醛选择性从53.7%提高至78.6%，最终糠醛产率为53.6%。杂质竞争吸附和催化活性位受阻导致转化率低于纯木糖体系，但高选择性表明双相萃取体系在杂质存在下仍能有效抑制产物降解，具备工业应用潜力。

**讨论与结论**

讨论部分指出，溶剂与催化剂的协同作用主导了糠醛生成：双相体系通过甲苯连续萃取糠醛，降低其在酸性水相中的浓度和停留时间，从而抑制腐殖质生成并减少碳沉积；催化剂失活主要源于碳沉积而非骨架破坏。水解液中C6糖、木质素碎片等杂质会竞争活性位并降低反应速率，但不会严重削弱选择性。结论部分可翻译为：本研究证明，将实验研究与机器学习相结合，为理解和优化木糖催化转化为糠醛提供了一个稳健且可解释的框架。在测试的催化剂中，ZSM-5(80)凭借其强布朗斯台德酸性和形状选择微孔结构获得了最高糠醛选择性。1:9水–甲苯双相体系通过连续原位萃取有效抑制了糠醛降解。在最优条件下（ZSM-5(80)，160 °C，3 h，1:9水–甲苯），木糖转化率达到96.9%，选择性为73.2%，糠醛最高产率为71.1%。在真实木质纤维素水解液中的应用证实了该系统在杂质富集条件下的鲁棒性。实验、统计和机器学习方法的集成为加速生物质增值中的催化剂和过程开发提供了实用框架，其中XGBoost模型较RF预测更可靠，可快速识别关键变量，减少试错实验，支持催化剂筛选、工艺优化和可持续生物精炼过程放大。