图文摘要
- RFR和XGBoost模型表现出最佳预测能力，综合预测的R²指标超过0.85。
- 机器学习模型具有较强的泛化能力，迭代运行后对新数据预测的R²指标高于0.97。
图1 生物炭生产的背景(a)和以往研究的局限性(b)
图2 木质纤维素生物质和水生生物质原料特性的比较(a)和本研究中使用的机器学习框架(b)
图3 水热炭属性的模型开发: 水生生物质和水热炭的范式图(a)，水热炭产量的实际与预测图(b)，温度和时间对水热炭产量的影响(c)，氮回收率的实际与预测图(d)，温度和生物质浓度对氮回收率的影响(e)，能量密度、能量回收和残留硫的实际与预测图(f)-(h)
图4 水生生物质和热解炭的范式图(a)，通过极限梯度提升（XGB）模型获取的热解炭产量的实际与预测图(b)，热解温度和时间对热解炭产量的影响(c)，以及通过XGB模型获取的氮回收率的实际与预测图(d)
图5 XGB模型对热解炭产量的预测性能(a)，通过XGB模型获取的热解炭产量的实际与预测值(b)，随机森林回归（RFR）模型对水热炭产量的预测性能(c)，通过RFR模型获取的水热炭的实际与预测值(d)，通过重新学习新数据提高模型预测新数据的性能(e)，机器学习模型辅助水生生物质生物炭（包括水热炭和热解炭）的生产(f)
图6 机器学习模型通过迭代过程预测新数据的开发和应用- 在本研究中采用的树基算法中，RFR和XGB模型对预测生物炭产量及性质展现出优异的预测性能。
- 机器学习模型在预测和优化生物炭性能方面显著降低了资源消耗和时间成本。
- 研究揭示了生物炭的关键特性与原料成分（如氮、硫）和反应条件（温度、水生生物质浓度等）之间的显著关联特性。
第一作者 袁志龙
北京航空航天大学博士研究生，主要从事有机固废热化学处置研究。
