基于主成分分析结合极限梯度提升算法的生物质水热炭化水热炭产率数据驱动预测

《Digital Chemical Engineering》：Data driven prediction of hydrochar yields from biomass hydrothermal carbonization using extreme gradient boosting algorithm with principal component analysis

为应对全球变暖并优化生物质能源转化过程，本研究结合主成分分析（PCA）与极限梯度提升（XGB）算法，构建了用于预测水热炭化（HTC）过程中水热炭（hydrochar）产率的高效模型。该方法在将特征维度从18个降至9个的同时，仅将模型R2从0.8900略微降至0.8480，显著简化了模型复杂度，并通过一维和二维部分依赖图（PDP）提升了模型可解释性，为优化HTC工艺提供了强大的数据驱动框架。

　　

全球变暖是当今世界面临的严峻挑战，其主要驱动因素之一是化石燃料燃烧导致的大气温室气体浓度持续升高。寻找可持续的替代能源方案迫在眉睫。生物质作为一种来源于农业废弃物、林业副产品等有机材料的可再生能源，不仅有助于减少对化石燃料的依赖、降低碳排放，还能通过循环经济模式实现废弃物的资源化利用。在这一背景下，将湿生物质转化为高价值固体燃料或功能材料的水热炭化（Hydrothermal Carbonization, HTC）技术受到了广泛关注。然而，HTC是一个涉及多变量（如温度、停留时间、原料元素组成等）的复杂过程，传统的实验优化方法往往耗时耗力，且难以全面捕捉各变量间的非线性关系。因此，开发高效、准确且易于解释的数据驱动模型，以实现对HTC关键产物（如水热炭产率）的预测与工艺优化，成为该领域的重要研究方向。

本研究发表在《Digital Chemical Engineering》期刊上，旨在解决上述问题。研究人员开发了一种创新的集成方法，将主成分分析（Principal Component Analysis, PCA）与极限梯度提升（eXtreme Gradient Boosting, XGB）算法相结合，用于预测HTC过程中的水热炭产率。

为了开展这项研究，作者主要运用了以下几种关键技术与方法：

首先，研究人员从文献中收集了包含766个数据点的数据集，涵盖18个输入特征（包括原料特性如碳、氢、氧、氮、硫含量、挥发分、固定碳、灰分、高位发热量，以及操作条件如温度、停留时间、压力、反应器尺寸、生物质负载量、水量等）和1个目标输出（水热炭产率）。数据经过标准化预处理，并按75%训练集和25%测试集的比例划分。其次，在模型构建阶段，研究评估并比较了四种机器学习算法（XGB、随机森林、多层感知器和支持向量回归）的性能，最终选定表现最佳的XGB作为核心预测模型。在此基础上，为了应对高维特征数据并提高模型效率与可解释性，研究引入了PCA技术对原始18个特征进行降维处理，提取了能够最大程度解释数据方差的主成分。最后，研究采用一维和二维部分依赖图（Partial Dependence Plot, PDP）作为模型解释工具，深入分析了关键特征及其交互作用对水热炭产率的影响。

研究结果部分包含以下主要内容：

3.1. 模型选择

对比四种机器学习算法的性能后发现，XGB算法在预测水热炭产率方面表现最佳，获得了最高的决定系数（R2 = 0.8900）和最低的均方根误差（RMSE = 0.0032）。这表明XGB能最有效地捕捉目标变量的方差，提供最准确和一致的预测，因此被选为本研究的主要建模算法。

3.2. 碎石图与特征选择

通过PCA进行降维分析，碎石图（Scree plot）显示了各主成分解释的方差。研究发现，将主成分数量从18个减少到9个时，模型的决定系数R2仅从0.8900略微下降到0.8480（下降了4.2%），RMSE从0.0032增加到0.0044。这一结果表明，在显著降低模型复杂度和计算资源消耗的同时，模型的预测性能仅受到轻微影响。数据分布图直观地展示了在不同主成分数量（18、14、11、9个）下模型的预测值与实际值的拟合情况。

3.3. 特征评估

研究通过特征重要性分析和PDP深入探究了关键变量对产率的影响。

• •
  特征重要性图显示，在降维至9个主成分后，最重要的特征得以保留。
• •
  一维部分依赖图（1D PDP）详细揭示了单个特征的影响：温度（T）超过180°C会对水热炭产率产生负面影响；原料中的氧含量（O_i）、挥发分（VM）、氮含量（N_i）、氧碳原子比（O/C）和氢碳原子比（H/C）对产率也有负面影响；而固定碳含量（FC）、原料碳含量（C_i）和高位发热量（HHV_i）则对产率有正面影响。
• •
  二维部分依赖图（2D PDP）进一步展示了特征间的交互作用：例如，高温结合高氧含量会显著降低产率；高固定碳含量与低挥发分组合能提高产率；高碳含量与低氮含量组合同样有利于产率提升。

此外，研究还将HTC过程的数据在由第一和第二主成分构成的空间中进行了可视化（PCA图），清晰地展示了数据点的分布模式。

结论与讨论

本研究成功地将PCA与XGB算法相结合，构建了一个用于预测HTC水热炭产率的高效数据驱动模型。核心结论是，PCA能够在不显著牺牲预测精度（R2仅从0.8900降至0.8480）的前提下，将特征空间从18维有效降至9维，从而大幅简化了模型复杂度，提高了计算效率。同时，通过PDP工具，研究清晰地揭示并量化了温度、原料元素组成（如C_i, O_i, N_i）和工业分析指标（如FC, VM）等关键特征及其交互作用对水热炭产率的影响规律，显著增强了“黑箱”机器学习模型的可解释性。

这项工作的意义在于，它为解决HTC过程优化中的高维数据复杂性和模型可解释性差的双重挑战，提供了一个稳健、可解释且计算高效的框架。该框架不仅能够加速HTC工艺的预测与优化，减少实验试错成本，其方法论（PCA降维结合可解释性ML）还可推广至其他涉及复杂、高维数据集的工程优化问题中。当然，研究也指出了当前模型的局限性，例如对高质量数据集的依赖以及缺乏实验验证。因此，未来研究建议通过实验验证模型预测的准确性，并将其扩展应用于更多样化的生物质类型和工艺条件，以进一步增强模型的普适性和工业应用的可靠性。