林产化学与工业杂志投稿格式参考范文：机器学习在生物质烘焙研究中的现状及展望

　　引言

　　相较于传统的化石燃料，生物质燃料是一种环保可持续的能源形式，其燃烧释放的二氧化碳总体上是零增长的，在生产过程中能够实现碳中和 [1-2]。然而，生物质的含水量和含氧量较高，热值、堆积密度及能量密度较低，这不利于生物质的运输和储存，从而限制了生物质能源的规模化应用 [3-4]。为了降低碳排放以及更高效地利用生物质能源，将生物质与传统的煤炭能源相结合形成混合燃料用于燃烧发电，即生物质与煤耦合发电 [5-6]。这种方式可以减少对化石燃料的依赖，并实现清洁能源的逐步过渡 [7-8]。对生物质进行预处理，可以改善混合燃料的整体性能 [9]。烘焙是一种生物质在无氧或者部分氧环境下，反应温度在 200~300℃之间的热化学预处理方法 [10]。烘焙可以改变生物质的微观结构和理化性质，使其 O 元素和 H 元素含量降低，C 元素含量升高，热值、能量密度、研磨性和吸水性等显著改善，从而提高生物质的燃料特性 [11-13]。

　　烘焙作为预处理的一种常见手段，既能够有效地去除生物质中的水分，提高其燃烧效率，又能提高生物质的研磨性，从而降低生物质与煤共燃前磨碎过程中的能耗 [14-16]。不同种类生物质和煤的最佳共燃混合比例需根据燃烧需求以及混合燃料的整体燃烧效率进行优化 [17-18]。为了达到这一目标，如果能参照成型燃料和煤的分类标准直接对烘焙生物质进行分级，则可以更有效地控制其与煤的混合比例，从而优化混合燃料的整体燃烧性能。然而，生物质种类繁多，人工对烘焙生物质进行分级需要进行大量的重复实验，从而找出生物质特性与燃料分级的对应关系。机器学习 (ML) 是一门研究计算机模拟人类学习行为的科学，可以通过算法解析数据，使用海量数据来训练模型，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或回归预测。因此，利用机器学习对烘焙生物质进行燃料分级，将减少人工分类成本并获得更精确的结果。本文主要介绍了近十年来机器学习在分类学以及生物质烘焙方面应用的研究进展，归纳总结了机器学习在预测烘焙产物产量、固体产物质量以及其他产物的影响因素重要性方面的能力，以期为生物质烘焙研究提供更多的新思路。

　　1 机器学习及其在分类学方面的应用

　　1.1 机器学习及算法

　　机器学习是一种人工智能的分支，其目标是使计算机系统具有从经验中学习、适应和改进的能力，而无需显式地进行编程 [19]。这是一个接收历史数据、学习显著关系并利用这些知识对新数据进行预测的过程 [20]。

　　机器学习主要包括监督学习和无监督学习。在监督学习中，算法从带有输出标签的训练数据中学习;而无监督学习则是从没有输出标签的数据中学习 [21-22]。对于烘焙实验数据通常有输出标签，所以用监督学习进行回归或分类。在回归任务中，机器学习模型可以预测连续的数值，而在分类任务中，机器学习模型则是输出离散的类别标签 [23-24]。根据机器学习可以相互转化的特点，将连续的预测结果映射为离散的类别标签从而实现回归到分类的转化，并且有些监督学习算法同时适用于回归和分类，可以根据输入数据和目标变量的类型进行调整 [25-27]。

　　目前机器学习在分类学上的应用主要涉及算法有支持向量机 (SVM)、反向传播神经网络 (BPNN)、相关性向量机 (RVM)、朴素贝叶斯 (NB)、逻辑回归 (LR)、极限学习机 (ELM)、决策树 (DT)、随机森林 (RF)、人工神经网络 (ANN)、多层感知器 (MLP)、K 最近邻 (K-NN)、极端梯度提升 (XGBoost) 和分类回归树 (CART) 等 [28-30]。

　　1.2 机器学习的算法在分类学上的应用

　　1.2.1 SVM 算法的应用 SVM 是一种被广泛应用的机器学习算法 [31]，目前已被用在医疗、图像识别、地理研究等领域。在医疗领域，SVM 算法主要被用于疾病的分类 [32-34]。Shetty 等 [35] 使用高斯径向基函数核的 SVM 算法将帕金森病与肌萎缩侧索硬化症、亨廷顿病和健康对照成功分类，经过特征向量选择后，总体分类准确率为 83.33%。在图像识别领域，Maxwell 等 [36] 比较了 SVM、ANN、DT、RF 和 K-NN 等多种方法对遥感影像的分类，发现 SVM 和 RF 对遥感光谱数据的分类具有较好的结果。Zhang 等 [37] 对 SVM 算法进行优化，提出了粒子群优化 (PSO) 混沌序列支持向量机 (CSVM)，研究发现 PSO-CSVM 算法的准确率在 90% 以上，部分类别的分类准确率甚至达到 100%。其他领域上，使用 SVM 对城市土地覆被、鱼类和塑料样品进行分类 [38-40]，也都得到了 90% 以上的分类准确率。

　　1.2.2 ANN 算法的应用 近年来 ANN 算法应用越来越广泛，在医疗领域，Dwivedi 等 [41] 采用 ANN 技术对急性淋巴细胞白血病和急性髓性白血病进行分类，得到 98% 的分类准确率。Chandrasekaran 等 [42] 提出了一个完全集成的人工神经网络对乳腺癌分类实现 97% 的分类精度。在语言识别方面，ANN 的性能优于 SVM，测试集的准确率高达 99.87%[43]。

　　1.2.3 其他算法的应用 NB 算法是一种基于贝叶斯定理的分类算法，算法的实现相对简单，计算速度快，在一些研究中可达到与 SVM 算法同样的准确率 [38-39]。

　　XGBoost 算法是一种梯度提升树的改进版本，具有出色的性能和广泛的应用。刘燕君等 [44] 利用机器学习对湿地进行分类，发现与 SVM 和 RF 相比，XGBoost 算法能够提供更高准确率的湿地分类结果。李波等 [45] 通过机器学习对核桃干腐病的发病程度进行分类，发现 XGBoost 预测模型优于 LR 和 BPNN。

　　ELM 等算法在分类上也取得了很好的结果。Sajedi 等 [46] 通过机器学习方法识别放线菌菌株。先采用主成分分析 (PCA) 进行降维，再用多层感知器 (MLP) 进行分类，获得了 80% 以上的准确度。Sun 等 [47] 基于近红外光谱图，使用类类比软独立建模 (SIMCA)、最小二乘支持向量机 (LS-SVM) 和 ELM 这 3 种算法对纺织面料进行分类，发现与 SIMCA 和 LS-SVM 相比，ELM 模型以更高的速度实现了 100% 的分类准确率。

　　2 机器学习在生物质烘焙方面的应用

　　2.1 生物质烘焙

　　无氧烘焙指在 200~300℃的无氧环境下对生物质进行热处理的过程，该过程可以提高生物质的燃料特性，使其具有更高的能量密度和更好的燃烧性能。Alvarez 等 [48] 在氮气条件下，对 6 种生物质样品 (松树、桉树、栗树、圣栎、橄榄树和葡萄藤) 进行烘焙，发现对于 80% 质量产率和 90% 能量产率这一目标的最佳烘焙温度均为 240℃，且经烘焙预处理后，样品的 H/C、O/C 和水分含量均降低，疏水性和固定碳含量均增加，高位热值 (HHV) 增加。Ibrahim 等 [49] 对柳树、桉树、硬木混合物 (橡木和桦树) 和软木混合物 (云杉、松树和落叶松) 经烘焙预处理后的理化特性进行了研究，发现温度在烘焙过程中起主要作用，较低的温度和较短的停留时间是获得良好物理性能和较高能量产率的最佳处理方法。在 270℃停留 30min 情况下得到的燃料的质量产率均约为 70%，能量产率约为 80%~90%，且烘焙固体的能量产率随质量产率单调变化。此外，Arias 等 [50] 在氮气下烘焙生物质，发现烘焙生物质的研磨性和可处理性得到改善，这能在一定程度上弥补了烘焙过程中的一些能耗。

　　常规烘焙的成本主要是长时间运行和惰性气体 (一般为 N₂) 的消耗，直接采用有氧气氛代替惰性气氛，可以降低分离气体部分的运行成本 [51]。生物质有氧烘焙的主要机理一般包括普通的烘焙反应和氧化反应，因此有氧烘焙的反应速率一般较快，提质效率较高，烘焙的持续时间短 [52-53]。在有氧烘焙过程中，氧化剂有效提高了脱氢、脱氧和能量密度优化的效率 [54-55]，以及有效地加速氧化烘焙过程中表面亲水基团的分解或转化，显著增强烘焙样品的疏水性 [56]。Chen 等 [57] 对油棕纤维颗粒进行有氧烘焙，发现与无氧烘焙相比，油棕纤维颗粒在 275℃下的有氧烘焙大大增强了生物质的 HHV。

　　开兴平等 [58] 研究了有氧烘焙对玉米秸秆组成成分、质量产率、化学结构及微观结构等理化特性及气化特性的影响。相比于无氧烘焙有氧烘焙具有更好的提质效果，O₂的存在还提高了活化能降低了烘焙各阶段的最终温度 [59]。Li 等 [60] 研究了有氧烘焙对木球在单颗粒燃烧器中燃烧过程的影响，发现随着烘焙温度和氧气浓度的升高，质量产率增加。Zhang 等 [55] 研究发现，在相同的温度和持续时间下，相比于无氧烘焙的生物炭，有氧烘焙导致生物炭具有更大的比表面积和更好的疏水性，从而在生物质炭燃烧和工业应用方面具有更好的燃料性质，以及与温和条件下的无氧烘焙相比，有氧烘焙有更低的能量消耗和更高的能量产率。此外，有氧烘焙后的生物质的元素组成接近泥煤和褐煤，因此其具有与煤较好的混燃特性 [61]。

　　2.2 预测烘焙产物能量及影响因素

　　在生物质转化过程中，烘焙产物的能量输出直接影响其作为可再生能源的效益。借助机器学习能够预测烘焙产物能量，并且从大量数据中识别出影响能量产出的关键因素，进而为烘焙工艺的优化提供依据，提高生物质燃料的利用效率。Kartal 等 [62] 建立的 ANN 模型在考虑实验条件的情况下直接用生物质原料样品的近似分析结果预测烘焙原料的化学。输入层包含 5 个参数：温度、时间、固定碳 (FC) 质量分数、挥发分 (VM) 质量分数和灰分 (Ash) 质量分数，输出层为化学。建立了包含 284 个样品的数据库得出模型训练集的决定系数 R²>0.92 烘焙生物质样品的化学集中在之间。Kartal 等 [63] 基于生物质原料的近似分析结果和实验条件进一步研究，开发了一种基于前馈反向传播算法的 ANN 模型来估算烘焙生物质的 HHV，研究发现：该模型的性能略好于自适应神经模糊推理系统 (ANFIS)。

　　为实现更精准的预测，研究者将不同机器学习算法联用并优化。Nieto 等 [64] 使用混合 PSO 优化 SVM (POS-SVM) 算法，基于生物质原料特性与烘焙条件预测烘焙生物质的 HHV。研究发现：基于 3 次核函数的混合模型应用于实验数据集并进行最优超参数回归时其 R² 可达同时挥发分、固定碳和 O/C 等生物质原料特性对烘焙生物质的 HHV 有很大的影响。Onsree 等 [65] 将机器学习与协作博弈论 (SHAP) 相结合，使用来自烘焙条件、原料特性和烘焙反应器特性的 18 个独立输入特征开发了一个用于预测烘焙生物质的 HHV 的可解释模型。基于十倍交叉验证评估了梯度树提升 (GTB)、和算法的预测效果发现的预测精度最高对的 R² 为同时研究发现烘焙条件的特征 (温度和时间) 对其结果影响最大。Liu 等 [66] 建立了一个 BPNN 与遗传算法 (GA) 优化相结合的 GA-BPNN 模型，用于预测烘焙生物质的 HHV。通过对模型进行评价，发现 GA-BPNN 模型对各属性的预测精度均较好。

　　2.3 预测烘焙固体产物产量及影响因素

　　固体产物的产量是评估生物质烘焙效率的重要指标，通过机器学习建模并预测不同条件下固体产量的变化趋势可以为改进工艺流程和提升固体产物质量提供科学依据。Zhu 等 [67] 根据生物质原料特性和烘焙条件的特征，利用 RF 算法预测生物质烘焙过程中的固体产量和固定碳含量。基于一个包含 12 个特征的数据集，分析发现：灰分、半纤维素含量和氮含量等生物质原料特征对固体产量的贡献为 35%，对固定碳含量的贡献超过 45%，而烘焙条件对固体产量和固定碳含量的贡献 (分别为 65% 和 53%) 均高于生物质原料特性。

　　Pathy 等 [68] 利用 XGBoost 算法预测藻类生物质烘焙的固体产量，其通过 Pearson 相关系数矩阵揭示了输入参数与固体产量之间的相关性，分析发现烘焙温度是影响固体产量最大的因素。Onsree 等 [69] 利用机器学习建立了生物质原料特性和烘焙条件为输入特征来预测生物质烘焙固体产量的模型通过十倍交叉验证对模型进行评估分析发现的预测精度最高 R² 约为 0.90，均方根误差 (RMSE) 为 0.07。此外，除了烘焙温度和停留时间外，挥发分、固定碳含量、氢含量等生物质特性也是影响烘焙生物质固体产量的重要特征贡献率在左右其中挥发物约占 1/3。之后，Onsree 等 [65] 进一步将机器学习与协作博弈论 (SHAP) 结合，用于预测生物质烘焙固体产量，研究发现仍然是的预测精度最高对固体产量的 R² 为等 [66] 将开发的模型用于预测烘焙生物质的固体产量，分析发现其同样具有良好的预测精度。

　　2.4 预测其他结果及影响因素

　　除了固体产物和能量，借助机器学习也可以对液体产物、气体产物以及燃料混合比等进行预测，通过机器学习分析不同变量对不同产物的影响，可以实现更全面的预测，并为生物质的全面利用和资源优化提供新的视角。Liu 等 [66] 开发的 GA-BPNN 模型预测了包括燃料比 (FR)、H/C 和 O/C 在内的烘焙生物质燃料特性。通过对模型进行评价，研究发现 GA-BPNN 模型适用于任何类型的生物质原料，泛化性较高。Kartal 等 [63] 基于生物质原料的近似分析结果和实验条件，使用 ANN 模型估算了烘焙生物质的碳、氢、氧含量。

　　Ismail 等 [70] 使用 ANN 开发预测模型，根据生物质原料和工艺参数计算橄榄核烘焙过程中的固体产量、液体产量和气体产量，预测曲线显示了固体产量和液体产量之间的线性关系，以及气体产量在生物质原料特性和工艺参数方面的非线性关系。此外，平均橄榄核粒径对产量的影响最大。Aniza 等 [71] 将 ANN 与一个隐藏层结构相结合，用于预测由微波催化和烘焙处理得到的生物油和生物炭，预测出烘焙得到生物燃料总产量 (生物炭 + 生物油) 最高可达 99.42%。Ozonoh 等 [72] 采用 ANN 与响应面法 (RSM) 结合的模型，基于煤和生物质混合物的固体产量、能量增强因子 (EF) 和 HHV 确定了最佳烘焙工艺条件 (温度、时间和混合比)。

　　3 展望

　　3.1 机器学习应用于烘焙生物质燃料分类的优势

　　机器学习用于烘焙生物质燃料分类，可为生物质能源的有效利用提供支持。一方面，有助于减少实验试错的成本和时间，准确地将烘焙生物质燃料参照成型燃料和煤的标准进行精准分类，为不同类型的生物质提供更有效的利用方案。另一方面，根据生物质的种类和特性进行定制化的处理，并通过对生物质的热化学特性的掌握，更好地集成生物质能源与其他可再生能源形式，促进能源系统的可持续性发展。

　　3.2 烘焙生物质分类模型的构建

　　首先，选择总体架构，包括遴选机器学习的模型以及决定使用哪些特征数据、超参数等。收集包括不同生物质种类，烘焙条件(温度、时间、气氛等)，产物性质以及烘焙生物质燃烧特性的实验数据，并对所收集的数据进行特征提取。通过对生物质烘焙产物的实验数据进行分析，提取 HHV、微观结构参数、元素组成等关键特征，作为机器学习模型的输入。同时确定表示参考煤分类的特征：煤燃烧行为特征的结渣指数、积灰腐蚀指数、热量释放等指标，这些标准将作为烘焙生物质燃料分类的参照依据。其次，根据所选择的架构来训练模型，将处理之后的数据集划分为训练集和测试集，用训练集对所选择的机器学习模型进行训练及优化，然后对模型进行验证及诊断。通过交叉验证等方法验证模型在测试集上的表现，再使用准确性、召回率、精确度等评估指标，评估机器学习模型的性能。最后，根据诊断结果做出决策，是否进行更改参数、添加数据、增添或减去特征等操作来优化模型。之后用新的架构再次循环，直至得到理想的模型。

　　机器学习在生物质能源分类方面的应用有望为能源产业带来高效、智能化和可持续的解决方案，为实现清洁能源目标做出贡献。要确保机器学习模型在实际应用中能够取得可靠和有效的结果，需要处理不完美的训练数据、复杂的特征空间以及作为用户定义参数的用户输入需求。对此，需要对数据集进行筛选和处理，再利用机器学习进行特征重要性分析，提取关键特征以进行有效的分类，以及不断调整和优化机器学习模型的复杂性，以提高模型的泛化性能。这些都需要生物质热化学的知识以及计算机专业的技能来合作解决。

刘海云;孙云娟;徐 卫;陈义峰;汪 东;黄 萍,中国林业科学研究院;林产化学工业研究所;江苏省生物质能源与材料重点实验室;国家林业和草原局林产化学工程重点实验室;林木生物质低碳高效利用国家工程研究中心;南京林业大学;中石化南京化工研究院有限公司,202406