基于机器学习的生物质热解动力学预测：机理建模与组分特征的整合

《RSC Advances》：Machine learning-based prediction of biomass pyrolysis kinetics: integrating mechanistic modeling and compositional features

　　

准确测定动力学和热力学参数对于理解生物质热解及优化可再生热化学转化至关重要。在本研究中，研究人员将人心果（sapodilla）叶片作为典型的木质纤维素原料，采用实验与机器学习（ML）相结合的方法进行了分析。通过多重升温速率下的热重实验，并借助 Coats–Redfern 法进行解析，揭示了活化能（E_a）和指前因子（A）对反应机理和温度区间的强烈依赖性。低温脱挥发分过程遵循扩散和反应级数模型，而高温降解则表现为成核控制行为。热力学分析表明，人心果叶片的热解是吸热且非自发的（ΔG ≈ 104–107 kJ mol^?1），伴随熵变减小（ΔS ≈ ?0.23 kJ mol^?1 K^?1），这与热解过程中固相残渣有序度增加一致。为了补充机理拟合的不足，研究人员开发了一个机器学习框架，利用包含工业分析、元素分析、升温速率及反应级数的描述符集来预测动力学参数（E_a、A、C₂）。集成学习模型在该数据集中显示出中等的预测能力，得出的 E_a 范围较窄（42–45 kJ mol^?1），并识别出挥发分、碳含量以及 O/C 和 H/C 比为具有影响力的组分描述符。机理分析与可解释性机器学习的结合使用，不仅提供了阶段特异性拟合与基于描述符预测之间的概念验证比较，也突显了当前在预测鲁棒性和泛化性方面的局限性。

**基于机理与数据双驱动的人心果叶片热解动力学及热力学特性研究解读**

随着全球对可持续及碳中和能源需求的日益增长，生物质作为一种广泛存在、碳中性且可分布式利用的可再生资源，在发电、生物燃料及高附加值化学品生产中展现出巨大潜力，成为替代化石燃料的理想选择。然而，生物质（富含纤维素、半纤维素、木质素及提取物）在热解过程中表现出高度异质性的热行为，这使得其动力学和热力学参数（如活化能 E_a、指前因子 A、焓变ΔH、吉布斯自由能变ΔG 及熵变ΔS）的精确测定面临巨大挑战。传统研究多依赖 Coats-Redfern、Kissinger-Akahira-Sunose 等积分法，通过拟合实验数据至预设动力学模型来估算动力学三因子。尽管应用广泛，但这些方法存在反应模型选择的主观性、参数对升温速率和温度区间的敏感性以及不同拟合函数间结果不一致等固有缺陷。此外，热力学量的计算同样受限于模型依赖性。近年来，机器学习（ML）在能源与材料科学复杂非线性过程建模中崭露头角，其能够无需刚性机理假设即可挖掘变量间隐藏关联。然而，直接利用生物质组分数据通过 ML 估算动力学和热力学参数的研究尚不充分。鉴于此，研究人员开展了一项结合传统 Coats-Redfern 动力学/热力学分析与基于描述符的机器学习模型的概念验证研究，旨在探讨 ML 在有限描述符集下近似动力学参数的能力，并比较机理拟合与数据驱动预测的优劣。该研究成果已发表于《RSC Advances》期刊。

本研究主要采用了以下关键技术方法：首先，构建了包含 556 个样本的机器学习数据集，数据来源为 H. K. Balsora 发表文章的补充信息，输入变量涵盖水分、挥发分、固定碳、灰分、元素组成（C、H、N、S、O）、升温速率及反应级数，并衍生出 VM/FC、H/C 等工程描述符；模型构建方面，对比了多元线性回归（MLR）、随机森林（RF）、极端梯度提升（XGBoost）、支持向量回归（SVR）及核岭回归（KRR）等多种算法，并采用堆叠集成学习策略，利用 SHAP（Shapley Additive exPlanations）分析提升模型可解释性。实验部分，研究人员采集人心果叶片作为代表性生物质样本，经清洗、干燥、粉碎后，依据 ASTM 标准进行工业分析和元素分析；利用热重分析仪（TGA）在氮气气氛下，以 10、20、30、40 K min^?1四种升温速率进行热解实验，温度范围从室温至 1173 K；随后基于 Arrhenius 定律和 Coats-Redfern 模型对不同升温速率下的热失重数据进行动力学拟合，计算不同反应机理模型下的动力学参数，并进一步推导热力学参数。

**研究结果分析**

**基线模型性能：线性与非线性回归器的对比**
研究结果显示，线性回归模型无法捕捉生物质组分描述符与热解动力学参数之间的非线性关系，其决定系数（R²）均为负值。相比之下，非线性模型（RF 和 XGBoost）表现显著优于线性模型，能够更有效地捕捉组分变量间的非线性相互作用。其中，随机森林（RF）模型在预测 log₁₀A 和 E_a时表现出最平衡的性能，R²分别达到 0.574 和 0.561，但仍难以准确预测回归系数 C₂。

**通过模型调优与集成学习提升性能**
经过超参数优化，支持向量回归（SVR）在预测 log₁₀A 和 E_a方面表现最佳，R²分别为 0.511 和 0.317，表明基于核的学习方法更能捕捉平滑的非线性依赖关系。然而，集成学习模型并未在所有目标参数上持续优于调优后的单一模型，且对于 C₂的预测所有模型表现均较弱，这主要归因于 C₂数据分布范围狭窄及生物质分解路径的内在异质性。

**模型可解释性与特征重要性**
SHAP 分析表明，反应级数是影响活化能（E_a）和指前因子（log₁₀A）预测的最显著特征，其次是氮含量、氧含量、挥发分及升温速率等。这揭示了即使在不依赖显式机理假设的 ML 模型中，动力学假设（如反应级数）仍起关键作用，且组分与条件的耦合效应通过非线性回归器得到了体现。

**人心果叶片的机器学习动力学估算与实验对比**
利用训练好的 ML 模型对人心果叶片进行预测，得出的 E_a值集中在 42–45 kJ mol^?1的狭窄范围内，且对升温速率和反应级数的变化不敏感。相比之下，实验 Coats-Redfern 分析显示 E_a具有强烈的阶段依赖性：低温阶段（523–823 K）E_a较低（7–10.5 kJ mol^?1），主要受扩散和反应级数模型控制；高温阶段（823–1173 K）E_a升高，主要由成核模型（N1.5, N2）主导。这种差异源于实验方法将降解过程分解为不同机理主导的温度段，而 ML 框架则是基于组分描述符推断全局平均的动力学特征。

**人心果叶片热解的实验热力学分析**
热力学分析证实，人心果叶片热解为吸热（ΔH > 0）且非自发（ΔG ≈ 104–107 kJ mol^?1）过程。熵变（ΔS）均为负值（?0.224 至 ?0.234 kJ mol^?1 K^?1），表明热解过程中固体残渣的分子有序度增加，特别是在高温阶段形成了高度有序的芳香结构和焦炭。

**讨论与结论**
综上所述，本研究通过整合传统机理拟合与机器学习预测，揭示了两种方法在生物质热解动力学表征中的互补性。Coats-Redfern 方法提供了具有阶段特异性机理深度的解释，但结果受模型选择影响较大且存在变异性；机器学习方法则提供了基于组分的全局一致性估算，避免了模型依赖带来的波动，但目前仅作为概念验证，其预测精度和泛化能力受限于数据集规模和目标变异性。SHAP 分析进一步识别了挥发分、碳含量、元素比率等关键统计影响因子。研究人员得出结论，虽然当前的 ML 框架尚不足以完全替代实验动力学分析，但其作为一种快速筛选工具具有探索价值。未来的工作需要更大规模、更多样化的数据集以及更鲁棒的算法架构，以实现机理深度与数据驱动效率的深度融合，从而为生物能源技术的热化学转化系统设计提供更坚实的理论与方法基础。