《Journal of Analytical and Applied Pyrolysis》：Decoding the Co-Pyrolysis Black Box: Explainable Machine Learning Guides Targeted Design of Catalytic Biomass-Plastic Conversion for High-Value Oil-Gas Products
编辑推荐：
基于多源数据库的生物质塑料催化共热解产物预测与优化研究，构建XGBoost模型有效预测热解油和非凝气体产量，PCA和SHAP分析揭示生物质固定碳、热解温度、塑料氢含量及催化剂微孔结构为关键变量，温度500-700℃、氢含量<12%、固定碳<15.6%及催化剂比表面积250-320 m2/g条件可协同优化产物分布。
双双燕|东梅比|慧王|宇妮|倩倩倩
山东理工大学农业工程与食品科学学院，淄博255000，中国
摘要
共热解技术能够高效利用废弃塑料和生物质资源。本文重点研究了生物质与塑料的催化共热解，并构建了一个集预测、解释和优化于一体的数据驱动框架。基于包含33种原料、催化剂和工艺特征的多源数据库，本文使用多种机器学习算法对热解油和不可凝气体的产率进行了建模和比较。该数据库涵盖了多种常见的废弃塑料，如聚烯烃基塑料。塑料类型之间的差异通过包括碳氢比在内的物理化学性质间接体现。结果表明，XGBoost模型与数据拟合度非常高。XGBoost的梯度提升机制能够适应高维度数据、多源输入、非线性以及变量之间的相互作用。在R2、RMSE和MAE指标上，XGBoost也表现出最佳性能。因此，本文选择XGBoost作为预测共热解产率的核心模型。主成分分析（PCA）和Shapley加性解释（SHAP）揭示了四个主要影响变量：生物质固定碳含量、热解温度、塑料氢含量以及催化剂微孔结构。这些变量决定了产率的变化规律。研究发现，在以下三种条件下热解油产率明显增加：生物质固定碳含量低于15.6%；塑料氢含量低于12%；热解温度在500–700°C范围内。催化剂参数也对液相产率产生协同效应。当微孔面积小于100 m2/g、BET比表面积为250–320 m2/g且外表面面积大于150 m2/g时，可以协调优化孔结构和油产率。这些结果为精确控制生物质与塑料的共转化提供了定量依据，也为产品的的高价值利用指明了技术路径。
引言
随着全球能源需求的增长和环境约束的加剧，高效转化可再生资源的需求日益迫切[1]。生物质热解是一种可行的热化学途径，可产生三种产物：热解油、不可凝气体和炭[2]。然而，单一生物质热解通常导致油产率低、能量密度低、油稳定性差以及不可凝气体利用率有限[3],[4]。这些限制阻碍了液态气体产品在实际能源系统中的应用。尽管已有大量研究评估了这三种产物的整体性能[5]，但在提高高价值液态气体产品的质量和可控性方面仍有很大潜力[6]。
废弃塑料数量的迅速增加给环境带来了巨大压力，同时也为通过氢供应和反应协同作用升级生物质热解提供了新的机遇。生物质与塑料的共热解可以利用塑料富氢的特性来增强脱氧过程，提高油产率并改善油质[7]。该过程还能释放不可凝气体的能量潜力，实现废物增值和环境保护的双重目标。由于热解油和不可凝气体主要来自挥发相，本文以液态气体产品作为核心研究目标，旨在通过优化工艺参数和原料配比来最大化这些产品的产率和质量。此外，还引入了催化策略以增强产物形成，并在特定应用场景下实现价值最大化。
在这一背景下，热解油的目标生产和升级取得了显著进展[8]。酸性沸石、金属及酸碱双功能催化剂已被应用于热解及后续处理过程中，以调整挥发相分布、降低氧含量、提高能量密度并改善产物稳定性[9]。可凝相产物因其广泛的原料来源和较强的可再生性而具有明显优势，可用作燃料和平台化学品的前体，具有经济和环境效益[10]。然而，其质量和产率仍受多种参数的影响，关键因素包括热解温度、加热速率、挥发相停留时间、原料类型、生物质与塑料的比例、催化剂酸度、金属活性、反应气氛及冷凝条件[11]。这些变量共同决定了可凝产物的组成、物理化学性质及后续应用性[12]。
生物质与塑料的催化共热解在原料类型、塑料组成、催化剂结构和操作条件方面具有高度多样性[12]。不同研究中的实验设置、测量范围和工艺设计也存在较大差异。在这种情况下，液态气体产品与工艺变量之间存在强烈的非线性耦合关系。基于单一反应器或有限因素的传统经验模型难以在不同研究和反应系统中保持稳定的预测性能。因此，亟需一个统一的定量框架，以多源数据为基础揭示原料、催化剂、工艺参数与液态气体产品之间的关系。缺乏此类框架限制了生物质与塑料共热解过程中液态气体产品的可预测性和可控性，也阻碍了不可凝气体的有效利用。因此，需要建立反应条件与液态气体产品之间的系统映射关系，数据驱动的建模方法可为这一映射提供支持，并为工艺优化提供依据。
生物质与塑料的共热解过程涉及高维输入空间和强非线性，机器学习在模拟此类复杂系统方面具有明显优势[13]。在生物质热解和共热解研究中，机器学习可以利用多源实验数据和工艺参数建立反应条件与产物分布之间的定量关系，显著提升液态气体产品预测的准确性和稳健性[14]。与经验模型和机理模型相比，机器学习方法能更有效地处理多变量耦合问题，并能有效处理不同反应器和原料之间的非线性和数据异质性[15]。此外，这些方法还能快速预测不同原料特性和操作条件下的产物分布。随着可解释机器学习方法的发展，研究人员可通过特征重要性分析和Shapley加性解释（SHAP）识别关键控制变量及其阈值行为[16]。这些工具还能揭示主要影响因素变化对液态气体产物响应的影响规律，这种“预测与解释”框架拓展了机器学习的应用范围，提高了共热解中的产物预测性能，并从多源数据中提取出可操作的工艺优化依据。
本文重点研究了生物质与塑料的催化共热解，构建了基于XGBoost的预测模型，并结合了Shapley解释方法。同时应用了差分进化算法进行工艺条件优化。研究目标是通过优化工艺参数和原料配比，明确影响液态气体产物形成的机制并最大化产物价值。利用涵盖温度、催化剂比例、催化剂性质和气体流速的多源实验数据，量化了协同效应对产率提升的贡献，识别了关键控制参数及其非线性耦合关系，并提出了优化工艺条件的具体建议。本研究为共热解参数的选择和优化提供了数据驱动的工具，也为理解复杂反应系统中的影响因素提供了可解释的依据。
为弥合催化生物质-塑料共热解中预测建模与实际工艺设计之间的差距，我们提出了一个将可解释机器学习与全局优化相结合的集成框架。与仅关注提高预测准确性的研究不同，我们的方法：（i）构建了涵盖原料性质、催化剂表征和操作条件的多源数据库；（ii）开发了基于XGBoost的预测模型，用于预测热解油和不可凝气体的产率；（iii）利用PCA和SHAP提取可解释的控制规则和阈值行为，揭示关键变量及油-气产率的权衡关系；（iv）将训练好的预测模型嵌入受限差分进化优化器中，在实际产品约束条件下实现价值最大化。这一“预测-解释-优化”闭环不仅提供了可靠的产率预测，还为原料配比和工艺-催化剂设计提供了定量指导。
数据收集与变量定义
本文使用的数据来源于2000至2025年间发表的研究文献，通过Web of Science、ScienceDirect和Scopus数据库进行了系统检索。收集并整合了不同研究中的实验数据，同时结合了我们研究小组的多组实验数据。由于数据来源于多个独立研究，因此不可避免存在研究间的差异。
模型比较
本节系统评估了所选机器学习模型的预测性能，采用了三个核心指标：决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）（图1）。比较结果显示各模型之间存在显著的性能差异。
在所有测试模型中，XGBoost模型的预测准确性最高，R2值为0.844，RMSE为0.387，MAE为0.229。
结论
本文构建了用于生物质和废弃塑料催化共热解产物的XGBoost预测模型，采用PCA进行主成分分析，并利用SHAP进行解释性分析。该综合方法系统评估了原料性质、催化剂孔结构和工艺条件对热解油和不可凝气体产率的影响。
CRediT作者贡献声明
慧王：数据可视化与验证。宇妮：数据分析与概念构建。倩倩倩：方法论设计与研究实施。双双燕：初稿撰写与数据整理。东梅比：修订与编辑。
利益冲突声明
作者声明不存在可能影响本文研究的已知财务利益冲突或个人关系。
致谢
本研究得到了国家自然科学基金（项目编号52176193）和山东省中小企业创新基金（项目编号2023TSGC0983）的支持。
