利用集成多物理场数值模拟和机器学习框架，对一种新型的太阳能驱动生物质气化系统进行多目标优化

《International Journal of Hydrogen Energy》：Multi-objective optimization of a novel beam-down solar-driven biomass gasification system using an integrated multiphysics numerical simulation and machine learning framework

　　胡宇阳|韩傲琪|崔梦伟|李旭欣|王江江
中国河北省保定市，华北电力大学能源存储技术与综合能源利用重点实验室，071003

**摘要**
太阳能驱动的生物质气化是一种具有发展潜力的可持续能源转换技术。本文首次对一种新型的聚光式（BD）太阳能驱动生物质气化系统进行了多目标优化研究。开发了一种结合计算流体动力学（CFD）、人工神经网络（ANN）和非支配排序遗传算法II（NSGA-Ⅱ）的混合框架，以优化合成气的低位热值（LHV）、氢气产量和系统能源效率。在测试集上，这三个性能指标的决定系数（R2）分别为0.9662、0.9468和0.9695，表明ANN模型具有较高的预测准确性。帕累托前沿分析显示，在最佳运行条件下，合成气的LHV、氢气产量和系统能源效率分别达到8.92 MJ/Nm3、0.99 Nm3/kg和59.48%。与初始运行条件相比，这三个性能指标分别提高了0.24 MJ/Nm3、0.10 Nm3/kg和16.82%。

**引言**
全球能源需求的增长导致二氧化碳排放持续增加，从而加剧了气候变化和全球变暖。2020年，中国宣布了“双碳”目标，即到2030年实现二氧化碳排放峰值，并在2060年实现碳中和[1]。在“双碳”目标和全球能源转型的背景下，人们的关注点逐渐从传统化石燃料转向可再生能源。生物质能源被认为是一种非常有前景的可再生能源，这归功于其高产量、广泛的可用性和碳中性特性[2]。因此，生物质被视为传统化石燃料的有希望的替代品。生物质气化是一种高效的热化学转化过程，它能在高温下将生物质转化为富含可燃成分（如H?、CO和CH?）的气体[3]。然而，生物质气化是一个吸热过程。在传统的生物质气化过程中，吸热反应所需的热量通常通过燃烧部分原料来提供，这会降低合成气的低位热值（LHV）并增加二氧化碳排放[4]。为了解决这一挑战，需要一种清洁的加热方法来提高气化性能。将太阳能与生物质结合，为生物质气化提供外部清洁热源被认为是一个可行的解决方案[5,6]。

近年来，太阳能驱动的生物质气化是一项新兴且有前景的技术。通过利用聚光太阳能的高温热量来转化生物质，这项技术避免了传统气化过程中部分生物质燃烧的问题[7]。为了满足气化反应的高温要求，已经提出了碟式、塔式和聚光式（BD）太阳能聚光技术，并应用于热化学领域[8]。在这些技术中，BD太阳能聚光系统由于其独特的光学配置和出色的系统集成潜力而被广泛应用于众多工程示范项目中[9]。具体来说，太阳辐射被定日镜场反射到塔顶反射器上，然后反射器将辐射重新导向地面接收器。与碟式太阳能聚光方法相比，BD太阳能聚光方法在系统集成和规模化方面具有更大的潜力。这一优势在于反应器可以安装在地面，无需与跟踪太阳的聚光器进行复杂的机械连接。地面布局便于连续进料、蒸汽注入以及合成气的冷凝和收集，使系统更适合大规模生物质气化。此外，BD太阳能聚光方法还可以缓解由于热流分布不均匀引起的局部过热问题，从而提高生物质气化过程的运行稳定性。与传统的塔式太阳能聚光方法相比，BD太阳能聚光方法避免了在塔顶放置重型反应器的需要，从而降低了塔的高度和系统建设成本[10]。

在先前的研究中，BD太阳能聚光技术已被应用于生物质气化领域，并显示出相当大的发展潜力[3]。通过计算流体动力学模拟系统地验证了这种方法的可行性。目前，计算流体动力学（CFD）仍然是模拟太阳能驱动生物质气化的主要数值模拟方法。常用的CFD公式包括欧拉-欧拉（Euler-Euler）和欧拉-拉格朗日（Euler-Lagrange）方法[11]。基于这些方法，研究人员研究了生物质气化过程的反应特性。马等人[12]使用欧拉-拉格朗日方法研究了生物质进料速率对合成气低位热值（LHV）的影响。Boujjat等人[13]也使用欧拉-拉格朗日方法研究了太阳能喷射床反应器，可以追踪生物质颗粒的轨迹和加热过程，并分析了气化剂流量对合成气组成的影响。此外，欧拉-欧拉方法将气体和固体相视为连续介质，从而提高了计算效率。基于欧拉-欧拉方法，卢等人[14]研究了当量比对上流式气化器气化性能指标的影响。Manu等人[15]进一步使用欧拉-欧拉方法模拟了流化床气化器中的气化过程，并评估了蒸汽与生物质比例对合成气质量的影响。与欧拉-欧拉方法相比，欧拉-拉格朗日方法可以追踪生物质颗粒的轨迹，并提供更详细的颗粒尺度热传递和颗粒与气相之间异质反应的描述。这一特性适用于本文研究的太阳能驱动生物质气化反应器，因为颗粒辐射热传递相互作用发生在反应器内部。因此，本研究采用了欧拉-拉格朗日方法。目前的CFD研究主要局限于研究单个操作参数变化对气化性能的影响，而多个操作参数对整体系统性能的耦合效应仍难以阐明。此外，高精度CFD方法计算时间长且模型实现复杂[16]。因此，仅使用CFD在多维操作参数空间分析和优化太阳能驱动的生物质气化系统具有挑战性。

作为一种典型的数据驱动方法，机器学习基于历史数据进行训练，它在输入参数和输出参数之间建立了非线性映射，从而实现高预测准确性[17]。近年来，机器学习在生物质气化领域得到了广泛应用[18,19]。Pandey等人[20]构建了一个人工神经网络模型，该模型可以预测流化床气化器的合成气低位热值和气体产量。结果表明，模型预测与实验数据吻合良好。Elmaz等人[21]使用机器学习方法对生物质气化的输出特性进行了建模，合成气物种的决定系数（R2）超过了0.98。李等人[22]进一步将四种数据驱动的机器学习方法应用于生物质废物气化过程。在这些模型中，梯度提升回归（GBR）模型在预测三相产品和合成气组成方面表现出优越的性能，测试集R2值范围为0.82至0.96。值得注意的是，Tasneem等人[23]是最早将机器学习方法引入太阳能驱动生物质气化的研究者之一，他们报告称预测氢气产量的R2超过了0.90。结果表明，基于机器学习的替代模型可以作为生物质气化分析的另一种方法。然而，现有研究主要集中在预测性能参数上，缺乏对多个参数的协同优化。

为了解决性能参数的协同优化问题，响应面方法（RSM）作为一种广泛使用的优化技术，可以通过构建二次多项式模型来揭示输入参数之间的相互作用对输出目标的影响[24]。此外，非支配排序遗传算法（NSGA）模拟自然选择和遗传进化，具有快速收敛性和分布良好的帕累托前沿，被广泛认为是解决多目标优化问题的有效方法[25]。基于这些方法，高等人[26]使用了RSM和NSGA-II。这些方法被应用于优化稻壳流化床气化，目标为冷气效率和合成气产量。Ngamsidhiphongsa等人[27]进一步使用NSGA-II在不同生物质条件下优化了下流式气化器的当量比和入口温度，获得了焦油产量、气化效率和碳转化效率（CCE）之间的帕累托最优解。Tavakoli等人[28]开发了一个RSM-NSGA–II–TOPSIS框架，用于生物质空气-蒸汽气化系统的多目标优化，旨在最大化氢气产量同时最小化二氧化碳排放和氢气生产成本。基于这一优化概念，马等人[29]提出了一个结合RSM、NSGA-II、K均值聚类和TOPSIS决策方法的集成框架，并对二氧化碳生物质催化气化过程进行了多目标优化。这种方法实现了氢气产量和CCE的协同优化，为气化系统的优化决策提供了新的研究视角。

**文献综述**
文献表明，尽管多目标优化方法已应用于生物质气化，但它们在太阳能驱动生物质气化系统中的应用仍然有限。特别是，BD太阳能驱动生物质气化系统的多目标优化尚未得到全面研究。为了解决这一研究空白，本研究首次将多目标优化应用于BD太阳能驱动生物质气化系统，并开发了一个混合CFD-ANN-NSGA-II优化框架。该框架集成了光学-热化学耦合数值模型、基于ANN的替代建模和NSGA-II多目标优化，能够高效预测系统性能指标。该框架揭示了生物质进料速率、蒸汽与生物质比例（S/B）和DNI对合成气低位热值、氢气产量和系统能源效率的交互效应，从而为优化BD太阳能驱动生物质气化系统的运行提供了高效且全面的策略。

**系统描述**
图1展示了聚光式太阳能驱动的生物质气化系统，主要由一个太阳能聚光子系统和地面上的太阳能气化反应器组成。环形定日镜场实现太阳跟踪，并将入射的太阳光线导向双曲面塔反射器，反射器再将光线反射到CPC（复合抛物面聚光器）的入口。CPC进一步提高了浓度比并最小化了光学损失。

**光学模型**
光学模拟使用COMSOL Multiphysics 6.1进行，其中聚光系统基于光线光学方法进行建模[32]。根据建立的光学模型，可以计算不同DNI条件下反应器顶部的热流分布。随后，将获得的热流分布作为边界条件应用于CFD模拟中，以实现光学过程与热化学过程之间的有效耦合。

**模型验证和网格独立性验证**
为了检查气化模型的准确性，将模拟结果与Patra等人[40]在不同当量比（ER）下的实验数据进行了比较。ER显著影响气化反应器出口处的合成气组成。因此，选择了在不同ER条件下的实验数据进行验证，以评估所提出气化模型的适用性。在模型验证过程中，考虑了气化器的几何结构和输入参数。

**单因素分析**
在本研究中，选择生物质进料速率、蒸汽与生物质比例（S/B）和DNI作为单因素来分析BD太阳能驱动生物质气化系统的性能。系统的运行条件定义为：生物质进料速率、S/B和DNI分别为0.2 kg/min、0.2和650 W/m2。如图5(a)所示，随着生物质进料速率的增加，LHV和ηen先增加后减少。这一趋势可以归因于……

**结论**
本研究提出了一个BD太阳能驱动生物质气化的多目标优化框架。首先，使用CFD方法分析了生物质进料速率、S/B和DNI对系统性能的影响。使用LHS方法生成了一个高维数据集，并基于该数据集开发了一个高精度的ANN替代模型来预测性能指标。最后，基于开发的替代模型，进行了多目标优化……

**作者贡献声明**
胡宇阳：撰写——原始草稿、可视化、数据整理。
韩傲琪：撰写——审阅与编辑、撰写——原始草稿、方法论。
崔梦伟：撰写——审阅与编辑、概念化。
李旭欣：方法论、数据整理。王江江：写作、审稿与编辑工作；研究监督；软件开发。
利益冲突声明
作者声明：他们不存在任何可能影响本文研究结果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：52276007）的支持。