基于机器学习的废塑料热解制燃料模型构建研究

创新点

作为一种高附加值的塑料循环利用技术，废塑料热解展示了广阔的应用前景。鉴于机器学习在处理大规模数据集和提取统计规律方面的独特优势，本研究以机器学习为手段，深入探索废塑料热解反应因素与目标产物的影响机制。课题的创新点包括以下几个方面：首先，在模型选择上，建立了梯度提升与自适应提升两种模型研究废塑料热解过程，其分别具有优化损失函数与拟合线性规律的优势，提高了样本数据拟合曲线的准确度，实现了单目标与多目标的预测；其次，在模型构建上，将原料种类、有/无催化剂和反应工况（如反应温度、加热速率、反应时间）作为输入变量，简化了常规废塑料热解模型的自变量数目，更加直观地揭示各反应因素对产物产率的影响机制；最后，在模型处理上，通过排列重要性分析和依赖性分析研究不同热解参数下目标产率的变化趋势，提高了机器学习模型对于输入变量在热解过程中重要程度的量化能力，有利于分析各影响因素的独立作用规律。

通讯作者简介

孙轶斐教授

孙轶斐，海南大学教授（原北京航空航天大学教授），教育部长江学者特聘教授，日本京都大学工学博士。兼任固体废物领域顶刊Waste Management副主编，Journal of Hazardous Materials、Science of the Total Environment、Biochar等SCI期刊编委，担任固体回收资源/燃料国际标准化组织ISO/TC300技术委员会、中国环境科学学会固体废物分会等十余个专业委员会副主任委员或委员。长期从事固体废物综合处置利用技术开发、能源转化利用研究，主持建成多项示范工程。主持了国家自然科学基金企业/区域联合基金重点项目，国家重点研发计划课题等共20余项国家级项目。获天津市技术发明一等奖、中国产学研合作创新成果奖一等奖、环境保护科学技术二等奖。在Advanced Materials, Advanced Functional Materials, ACS Catalysis, Environmental Science & Technology等期刊上发表论文100余篇，授权/转化国家发明专利20余件，公开国际PCT专利2件。

基于机器学习的废塑料热解制燃料模型构建研究

作者

谌思罕¹，袁志龙¹，王晔¹，孙轶斐^1,2,3^,^*

单位

1.北京航空航天大学能源与动力工程学院

2.海南大学环境科学与工程学院

3.北京航空航天大学国际交叉科学研究院先进能源与碳中和研究中心

基金项目

国家自然科学基金资助项目(U23B20166, 22206011)

识别上方二维码获取全文

摘要

废塑料热解制油（如航空燃料等）与合成气（一氧化碳和氢气）是回收利用废塑料的重要途径。研究表明，原料类型、工艺条件等因素对热解产物有显著影响，使得热解反应机理复杂且需要大量的实验验证。机器学习以其处理大数据和提取统计规律的能力，可以降低研究成本和难度。本研究基于多种机器学习算法，利用无催化和分子筛催化剂为主的数据构建模型，系统研究了废塑料热解过程。结果显示，在所选模型中，梯度提升回归（GBR）对油类产品产率的预测性能最佳（R²=0.91，RMSE=7.78），而自适应提升（AdaBoost）对合成气产率的预测性能最优（R²=0.83，RMSE=6.42），可用于反应条件的预测。通过特征重要性排列和单变量分析，确认在加热速率约为20℃/min、温度为500℃时，油类产率较高。同时，进行了反应条件的双变量分析，量化了加热速率、温度等对废塑料热解产率的影响，为技术实践提供了理论支持。

研究背景

随着全球对塑料产品需求的增长，废塑料的产生量持续增加。据统计，每年约有3.7亿t的废塑料产生，其中仅9%被有效回收利用。这种情况导致大量废塑料最终进入环境，对生态系统造成严重威胁。特别是在COVID-19大流行期间，一次性医疗塑料的使用量急剧上升，加剧了废塑料处理的紧迫性。

热化学技术，如焚烧、气化、热解，能够直接将废塑料转化为液体燃料产品（如航空燃料等），以及以一氧化碳和氢气为主的高品质合成气产品，这些产品在替代燃料制备和化学合成中具有广泛应用。热解技术因其产物多样化和附加值高的特点，被广泛应用于废塑料的回收利用。然而，研究表明，原料种类、热解参数（如温度、升温速率、反应时间）及催化剂的选择对废塑料热解产物和产率有重要影响，尤其是分子筛催化剂能显著提升产品油的产率，通过促进特定反应路径或提高目标产物选择性。

面对复杂的热解过程和多变的影响因素，建立可靠的预测模型成为推动废塑料热解技术工业化的关键。机器学习通过处理大量实验数据，能够揭示出废塑料热解的统计规律，为工艺优化和反应条件预测提供科学依据。本研究以Python语言为工具，基于树系机器学习模型，开发了一个通用的预测模型，能够有效地分析废塑料热解过程中不同条件下的油气产率。通过此研究，期望为废塑料热解技术的进一步推广和应用提供理论基础，为实现环境友好型废塑料处理方案提供新的视角和解决方案。

部分图片

图1 机器学习模型的构建过程

图2 GBR模型的预测产率与实际产率对比图

图3 热解气产率关于反应温度与反应时间的双依赖性分析

引文格式

谌思罕, 袁志龙, 王晔, 孙轶斐. 基于机器学习的废塑料热解制燃料模型构建研究[J/OL]. 能源环境保护: 1-8[2024-07-18]. https://doi.org/10.20078/j.eep.20240704.

CHEN Sihan, YUAN Zhilong, WANG Ye, SUN Yifei. Study of model construction of fuel production from waste plastic pyrolysis based on machine learning[J/OL]. Energy Environmental Protection: 1-8[2024-07-18]. https://doi.org/10.20078/j.eep.20240704.

　　责任编辑：宫在芹

基于机器学习的废塑料热解制燃料模型构建研究

煤问提

煤传媒

煤视界

科技创新50强

会员中心