分会

第六十一分会：能源化学

摘要

发展生物质能源被认为是解决碳排放问题的最有效手段，其中生物质热解生产的生物油有替代化石燃料的潜力，但是生物油组分受到多种因素的影响，了解生物油各组分含量对生物油的提质和改性具有重要意义。本研究旨在根据不同的生物质特性和热解条件，利用机器学习算法建立生物油含氧组分含量的预测模型。首先基于极限梯度提升（XGB）算法构建预测模型并使用测试集决定系数（R2）和均方根误差（RMSE）评估模型预测精度。然后对模型进行特征重要性分析和灵敏度分析，准确识别对生物油含氧组分含量影响显著的输入特征。最后利用偏依赖分析（PDA）方法探究每个输入特征单独或组合对生物油含氧组分含量的影响规律。结果表明：相较于由生物质工业分析和热解条件构建的模型，由生物质元素分析和热解条件构建的模型在生物油含氧组分含量预测方面具有更高的精度和更优秀的泛化性。另外，生物质原料适中的C、O含量和较高的H含量有助于改善生物油品质。较低的载气流量和较高的热解温度也是改善生物油品质的有利条件。将机器学习方法引入到生物油组分含量研究中，使得了解生物油的组成不再依赖于复杂的实验，这有助于快速优化生物质预处理技术和热解过程。然而，机器学习是一种数据驱动的方法，在解释反应机理方面存在挑战。在未来的研究中，将机器学习模型与物理信息相结合，如反应动力学和热力学等，将进一步提高机器学习模型的性能，并形成更深入的见解。

关键词

机器学习;生物油;含氧组分;生物质特性;热解条件

线上墙报仅限年会已缴费参会代表观看。

您还没有登录，请您先 点击这里登录