生物质是一种全球公认的主要可再生能源。通过热化学途径，它可以转化为高附加值产品，从而减少对化石基不可再生能源的过度依赖。在这些热化学途径中，生物质的热解可以产生包括生物油、不可凝气体和生物炭在内的高价值产品[1]。然而，由热解得到的生物油存在一些限制其直接作为燃料使用的缺点，如高粘度、高水分和灰分含量、低热值以及强腐蚀性[2]。
自20世纪50年代以来，全球塑料产量已超过83亿吨，其中约60%的塑料废物最终进入垃圾填埋场或自然环境，造成严重的环境污染[3]。废塑料的热解能够高效转化为碳氢化合物燃料，且对环境的影响最小，使其成为热解的理想原料[4]。Uzoejinwa等人的研究表明[5]，生物质和塑料的共热解可以显著降低生物油中的氧含量并提高芳香化合物的选择性，这是提高生物油质量和优化资源回收的有效策略。
共热解的核心优势在于其协同效应，即共热解产品的实际产量和组成偏离了各单独热解的理论加权平均值。这种效应通常表现为液体产品产量的增加、碳氢化合物比例的提高以及含氧化合物含量的降低，使得生物油更符合燃料的特性[6]。共热解系统中的塑料可以提供氢原子，促进脱氧过程，从而改善生物油的质量。同时，塑料类型、催化剂和热解条件显著影响协同效应的方向和强度。具体而言，含氧聚合物（如PET）的协同性能高度依赖于温度和催化条件。然而，过量的催化剂加载可能会对产品产量和工艺稳定性产生负面影响[7]。
含氧化合物是生物油的关键成分，包括醇类、酸类、醛类、酮类等[8]。它们丰富的含氧官能团导致生物油酸度高且稳定性差，这是其直接作为燃料应用的主要障碍。因此，研究生物油中的含氧化合物有助于提升其质量。
近年来，机器学习在生物质和塑料共热解的研究中得到广泛应用，用于预测产品产量、生物油成分分布和关键质量指标。Kühl等人[9]回顾了机器学习在多个领域的应用趋势，并强调了其在复杂系统建模和工艺优化方面的优势。迄今为止，许多研究已采用机器学习方法预测热解产品产量，部分研究则专注于预测生物油的组成和性质。
徐等人[10]专注于预测单环芳烃油，并建立了多种模型，包括随机森林（RF）和轻量级梯度提升机（LGBM）。他们使用原料比例、热解条件、催化系统以及原材料的元素分析作为输入特征。最高模型准确率达到0.90，反应温度和催化剂比例被确定为影响生物油产量的关键因素。唐等人[11]使用支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）模型预测生物油中的氢含量，所有模型的准确率均超过0.84。他们发现生物质原料成分对生物油中氢含量的影响大于热解工艺条件。杨等人[12]引入RF算法来预测生物油中的氧含量，表明加热速率是最关键的影响因素。这些研究从不同角度预测了生物油的组成和性质，为后续相关预测研究提供了参考。
随着研究的深入，扩展输入特征空间被广泛认为是提高热解领域预测性能的关键策略。例如，苏等人[13]基于极端梯度提升（XGBoost）算法开发了一个机器学习模型，通过纳入多样化的输入特征（包括生物质元素分析和热解操作条件）来预测生物油中的含氧化合物含量。他们的结果表明，具有丰富特征集的模型显著提高了预测准确性。他们还揭示了元素组成和反应参数对含氧化合物形成的关键影响。
总之，现有研究验证了机器学习在共热解产品预测中的有效性，并确认了扩展输入特征对于提高模型准确性的重要性。然而，仍存在明显的研究局限性：目前的输入特征仅基于元素组成，未涉及塑料的微观结构和物理性质。然而，塑料的微观结构是控制热解反应路径、产物形成机制和生物油组成特性的核心因素。忽视这一关键因素并仅依赖元素组成作为输入特征，会阻碍模型准确反映热解反应的内在规律，导致现有预测模型的局限性。同时，针对生物油中含氧化合物的专门预测研究仍然较少。
基于此背景，本研究系统构建了三种机器学习模型，即DNN、LGBM和SVM，用于预测生物质和塑料共热解产生的生物油中的含氧化合物含量。首次将塑料的结构和物理特性（芳香环、C-H键比例、密度）纳入输入特征集。探讨了这些塑料特征对模型准确性的影响以及关键特征贡献的趋势，为共热解生物油的脱氧升级和工艺优化提供了数据驱动的理论支持和方法指导。
