一种用于MSWI温度场预测的通用混合建模框架：结合了基于物理知识的迁移学习和数据驱动的迁移学习方法

《Energy》：A universal hybrid modeling framework for MSWI temperature field prediction: fusion of physics-informed and data-driven transfer learning

预测城市固体废物焚烧炉温度场的混合转移学习框架研究，提出BPNN-TL框架整合高精度CFD仿真与有限现场数据，通过分阶段知识迁移实现温度场高精度（RMSE<33.54K，R2>0.983）与高效预测（计算效率提升6个数量级），并识别水分、挥发物和负荷为关键影响因素。

　　

方旭|尹丽杰|杨明远|尹星|滕露露|叶娜|黄京观|冯宇恒

同济大学机械工程学院，上海，201804，中国

摘要

准确快速地预测城市固体废物焚烧（MSWI）的性能对于实现高效和清洁燃烧至关重要，但这一过程仍受到变量条件和现场数据的限制。本研究提出了一种创新的混合迁移学习框架（BPNN-TL），该框架结合了物理信息和数据驱动的建模方法，以实现燃烧过程的快速高效预测。一个全尺寸的3D瞬态计算流体动力学（CFD）模型经过现场数据的严格验证，作为高可信度的数据生成器。该框架采用了一种新颖的分阶段知识迁移策略：在源域中，使用CFD模拟数据对BPNN进行预训练，以捕捉多相耦合机制；在目标域中，利用有限的现场数据对模型进行微调，以弥合模拟与现实之间的差距并提高泛化能力。重要的是，BPNN-TL框架在所有温度点上都实现了卓越的预测精度（RMSE<33.54 K，MAPE<3.85%，R2>0.983）。与传统CFD方法相比，BPNN-TL框架的预测结果与现场数据更为吻合，同时将每次预测的计算时间减少了六个数量级。此外，通过平均影响值（MIV）分析，确定了水分含量、挥发物和负荷是决定焚烧性能的最关键因素。这一框架为MSWI过程的预测和优化提供了创新工具，并为清洁能源利用和环境可持续性提供了新的见解。

引言

随着城市化进程的加快和全球人口的增长，城市固体废物（MSW）的产生量正在迅速增加。根据联合国环境规划署（UNEP）的数据，预计到2050年全球MSW产量将达到38亿吨[1]。这一趋势对废物处理基础设施[2]、可持续资源管理[3]和环境保护[4]带来了严峻挑战。焚烧作为一种高效且快速的处理方法，能够显著减少废物体积和重量，并实现能源回收[5]，现已成为废物管理的关键解决方案。例如，在中国，城市固体废物焚烧（MSWI）占处理能力的72%[6]，而日本和新加坡的焚烧率分别超过80%和90%[7,8]。

随着焚烧技术的成熟，MSW焚烧炉正朝着大规模和高效率的方向发展。然而，MSW来源的多样性和复杂的成分导致其热值[9]、处理量[10]和运行条件[11]存在显著波动和不确定性，这给维持炉内稳定高效的燃烧带来了新的挑战。计算流体动力学（CFD）长期以来一直是分析MSW焚烧炉内复杂多物理场耦合机制的主要工具。现有研究取得了显著进展，但仍存在局限性。Yan等人[12,13]将流体动力学焚烧代码（FLIC）与ANSYS FLUENT结合，研究了空气预热和多级一次风温度对全尺寸MSW焚烧炉燃烧特性的影响。他们确认在较高水分蒸发率下，局部最高温度可维持在1685°C，但挥发性物质的释放时间有所延迟。Xia等人[14]采用了相同的耦合策略，但烟雾成分的最大偏差为14.1%，这表明模型的可信度需要进一步验证。同样，Hoang等人[15]基于CFD开发了一个二维多孔介质模型，忽略了移动床内的水平梯度，从而导致H?O和O?浓度的低估。Qi等人[16]模拟了在富氧气氛中厌氧食物废物的共燃过程，发现NO?排放量有所减少。Zhang等人[17]开发了一个包含热增稠的多级燃料床模型，其相对误差约为5%。然而，二维模型难以准确描述气固两相热传递，因为热解的非均匀性[13]、非稳态边界条件[6]和复杂的湍流[18]共同干扰了传统确定性模型对流动-热传递-反应机制的同步描述。Ma等人[19]和Xu等人[6]基于双流体模型开发了一个三维焚烧炉数值模型，研究了负荷和水分含量等参数对燃烧过程的影响。尽管三维建模比二维建模更准确，但高保真度的三维模型受限于较高的计算成本，难以用于实时预测和优化控制。

最近，数据驱动方法（机器学习[20]和深度学习[21]通过挖掘历史数据中的隐藏模式，为焚烧过程的快速建模提供了新的思路。为了解决具有强非线性的复杂燃烧控制问题，Giantomassi等人[22]开发了一个在线径向基函数（RBF）神经网络，并结合自适应滤波算法来预测蒸汽产量（MSE<5%）。Hu等人[23]引入了一个以时间域输入为主蒸汽温度的神经网络预测模型，能够准确预测未来5分钟内的变化趋势（RMSE≤1.5°C）。Taki[24]比较了多种机器学习方法，发现RBF-ANN（人工神经网络）在预测热值方面效果显著（MAPE≤1.15%）。Xia[25]使用基于人工智能（AI）的树模型预测二噁英排放量（RMSE≤9.45 ng i-teq>3），Duan等人[26]将主成分分析（PCA）与自适应长短期记忆网络（ALSTM）结合，用于预测NO?排放量（R2=0.943）。Wang等人[27]采用数据驱动方法，比较了线性和非线性机器学习模型在预测NO?浓度方面的性能，并通过贝叶斯超参数调优进行了优化（R2>0.90）。然而，这些“纯数据驱动”的模型严重依赖于大量高质量现场数据，在小样本量、新运行条件或跨设备场景下泛化能力有限。此外，它们的内部机制缺乏物理可解释性，存在“模拟-现实差距”和“数据稀缺”双重挑战。为此，结合物理机制和数据驱动方法的混合建模范式已成为当前的研究前沿。在物理信息嵌入方面，通过将控制方程或高保真度模拟数据作为约束条件嵌入神经网络，可以提高模型的物理一致性和外推能力。Jeon等人[28]将CFD求解器的物理约束条件嵌入神经网络，使计算速度提高了1.9倍，同时严格保持了守恒定律。Buterez等人[29]使用图神经网络实现了从低精度数据到高精度数据的知识迁移，预测性能提高了8倍。Adi等人[30]提出了一个“数据-物理混合驱动”的物理信息神经网络（PINN），利用少量现场数据将气化反应动力学方程耦合起来，实现了MSW气化产物的快速高精度预测。在跨领域迁移学习方面，通过在丰富的“源领域”（如高保真度模拟和类似设备数据）预训练的知识，可以快速适应“目标领域”（小样本现场数据）。Tang等人[31]结合改进的Mega-Trend-Diffusion和多目标粒子群优化算法，扩展和优化了小样本数据，将二噁英预测的RMSE降低了48.22%。Zhang等人[32]通过结合FLIC和Aspen Plus生成了多条件虚拟数据，用于基于LSTM的CO模型（R2=0.896），Wang等人[33]将多软件模拟与区间型2模糊广义学习系统和线性回归决策树算法框架结合，实现了NO?/CO/二噁英的预测（RMAE<76.22 mg/m3）。Wang等人[34]应用条件生成对抗网络（cGAN）与迁移学习相结合，重建了涡轮压力分布，误差降低了40.2%，计算成本降低了9倍。Siddiqa等人[35]将迁移学习技术应用于质子交换膜燃料电池的性能建模，从简单的直通通道模型过渡到复杂的高温蛇形流场模型（R2>0.90）。这些最新进展表明，通过迁移学习将高保真度CFD生成的物理先验与有限现场数据融合，是构建高效可靠模型的可行路径[36,37]。然而，系统地将这一前沿范式应用于MSWI全尺寸温度场的快速高精度预测，并有效解决模拟与现实之间的领域差异，仍是一个需要进一步探索的研究课题。

为了弥合这一差距，本研究提出了一种混合迁移学习框架，该框架将高可信度的CFD模拟与现场数据无缝集成，以实现MSW系统中焚烧温度场的稳健预测。快速准确的预测能力是先进基于模型的控制策略（如实时优化燃烧空气分布和废物进料率）的关键前提，这对于实现现代MSWI工厂的超高效和超低排放至关重要。我们的方法做出了三个关键贡献：（1）利用经过严格验证的全尺寸3D CFD模型作为高可信度的数据生成器，封装了潜在的物理化学机制；（2）提出了一种新颖的分阶段迁移学习框架（BPNN-TL），系统地将高可信度的CFD模拟数据与有限的现场测量数据集成，以弥合模拟与现实之间的差距；（3）证明了该框架在预测精度和计算速度上实现了六数量级的提升，适用于实时应用；（4）采用模型解释技术提取物理上一致的见解（例如水分和挥发物的主导影响），从而提高了数据驱动模型的可靠性和实用性。

本研究的结构如下：第2节介绍了数据来源和预处理方法。第3节提出了一种混合迁移学习框架（BPNN-TL），该框架结合了物理信息和数据驱动学习，系统阐述了其工作流程和实施策略。第4节全面评估和讨论了该框架的性能，验证了其有效性和优越性。第5节总结了研究结论，并对未来工作进行了展望。

部分摘录

现场数据收集

为了验证物理模拟的知识迁移，我们从上海一座日处理量500吨的格栅焚烧炉获取了现场数据，该设施已稳定运行超过十年。在标准运行条件和设计容量下，我们首先在炉膛上部的六个点（T?-T?）安装了高精度热电偶（图1(a)）。这些点分别位于干燥段格栅上方16米和13米处，间距为1.5米，选择这些点的位置是为了

整体工作流程

与从零开始的传统神经网络不同，混合建模框架的核心是基于迁移学习（TL）策略，该策略从大规模源领域（CFD模拟数据）中提取基本知识，并将其应用于小规模目标领域（现场数据）[59,60]。这种方法有效克服了模拟与现实之间的领域差距，实现了在小样本条件下的高精度预测[61,62]。图3展示了

所有变量之间的相关性

图5所示的相关性热图全面展示了MSW组成、颗粒大小和负荷之间的统计关系。从这个热图中可以明显看出几个关键趋势和关联。

水分和挥发物之间的皮尔逊相关系数（PCC）为-0.99，表明存在强烈的负线性关系。挥发物和固定碳之间也观察到中等程度的负相关（PCC=-0.61）。这些相关性主要源于

结论

本研究开发并验证了一种新颖的混合迁移学习框架（BPNN-TL），该框架结合了物理信息模拟和数据驱动学习，用于快速准确预测MSWI的温度场。主要贡献如下：

(1)

通过使用经过严格验证的全尺寸3D瞬态CFD模型建立高可信度的模拟数据库，提供了可靠的先验物理知识来源。

(2)

提出的预训练和分阶段BPNN-TL策略基于

CRediT作者贡献声明

方旭：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论。尹丽杰：资金获取，数据管理，监督，撰写 – 审稿与编辑。杨明远：软件，方法论。尹星：资源，资金获取。滕露露：调查，概念化。叶娜：调查。黄京观：调查。冯宇恒：形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了“京津冀区域环境综合治理-国家重点科技项目”（项目编号：2025ZD1202800）和“上海市自然科学基金”（项目编号：22ZR1465900）的支持。