基于机器学习的含油污泥热解残渣含油率预测

创新点

热解处理已成为含油污泥资源化和无害化处置的有效手段，然而热解残渣含油率检测过程较为繁琐耗时，因此快速确定热解残渣含油率是实现含油污泥热解工艺参数优化的关键。论文分别采用梯度提升决策树（GBDT）、极端梯度提升（XGB）、支持向量机（SVM）及随机森林（RF）算法分别建立了含油污泥热解残渣含油率和热解工艺参数之间的机器学习预测模型，评估各预测模型的优劣和可靠性并进行超参数优化。模型结果可实现含油污泥热解残渣含油率的快速预测，为指导含油污泥热解过程的参数优化和智能控制提供依据。

第一作者简介

彭黄湖副教授

彭黄湖，湖州师范学院副教授，机械工程系副主任。主要从事有机固废热解资源化技术，化工过程预测与参数优化，过程强化理论及装备技术研究，主持浙江省公益项目1项，湖州市科技计划项目1项，参与国家自然科学基金项目1项、国家重点实验室创新基金项目1项以及浙江省重点研发项目2项。获得中国机械工业科学技术奖1项，发表论文20余篇，获授权专利40项，软著2项。

通讯作者简介

杨帆讲师

杨帆，湖州师范学院工学院讲师，污染场地快速修复技术与装备浙江省工程研究中心主任助理，湖州市机械工程学会秘书长。主要从事固废资源化技术及环保装备研发，主持国家自然科学基金、浙江省公益计划等多项国家及省部级科研项目。发表SCI论文18篇，获授权专利19项、软著3项，获省部级科学技术三等奖2项，个人获湖州市“南太湖精英计划科技创新青年人才”项目资助。

基于机器学习的含油污泥热解残渣含油率预测

作者

彭黄湖¹，姜勇¹，杨帆^{1, ∗}，陈泽洲¹，吴圣姬¹，车磊²

单位

1. 湖州师范学院工学院

2. 浙江宜可欧环保科技有限公司

基金项目

国家自然科学基金资助项目（52100143）

识别上方二维码获取全文

摘要

为快速预测含油污泥热解后残渣含油率的变化规律，指导含油污泥热解工艺参数优化，选取热解终温、热解时间、升温速率、氮气流量、含油污泥的含油率、含水率和含渣率作为输入变量，热解残渣含油率作为输出变量，采用梯度提升决策树（GBDT）、极端梯度提升（XGB）、支持向量机（SVM）及随机森林（RF）算法分别建立了含油污泥热解残渣含油率的预测模型。通过228组数据进行训练和测试，结果表明，GBDT、XGB、SVM以及RF 4种含油率预测模型在测试集上的决定系数R²分别为0.8716、0.8667、0.8356和0.9171。经过贝叶斯优化算法（BOA）超参优化后，该4种含油率预测模型的测试集决定系数R²分别提升至0.9012、0.9001、0.8965和0.9204。其中，贝叶斯优化的随机森林（BOA-RF）模型预测效果更佳，能更准确地预测含油污泥热解残渣含油率的动态变化规律。

研究背景

原油开采、储存、运输和精炼的过程中不可避免地产生含油污泥，导致世界范围内含油污泥的巨大积累。目前我国含油污泥的年产量和存量较大，并且年产量呈现增长的趋势，存量更是超过1000万t。

含油污泥含有高浓度的石油烃（PHCs）、重金属以及其他有毒成分，因此许多国家都把含油污泥视为危险废物。长期以来，我国对含油污泥的处置方式以焚烧及填埋为主，造成了极大的资源浪费和严重的环境污染。现阶段，热解技术越来越受到关注。含油污泥热解技术指在无氧气氛中对含油污泥加热，生成不同热解产物的技术，这一过程中还可以回收其中的热解油、热解气及热解残渣且不易产生有害物质，实现了含油污泥处理的资源化和无害化。针对含油污泥热解残渣的资源化，可以通过添加不同的复合固化剂将热解残渣制成路基材料或者制成烟气脱硫剂，但前提要求是残渣的含油率降至一定范围。然而残渣含油率检测较为繁琐耗时，需使用索氏提取器进行萃取，因此快速确定热解残渣含油率是实现含油污泥热解残渣资源化的关键。

包括含油污泥在内的大部分有机固废，其组分多样且热解条件较为复杂。相较于传统的实验和理论计算，使用机器学习预测有机固废处理效果正受到广泛关注。在有机固废处置中，常见的机器学习回归模型包括经典模型、树模型、神经网络模型以及种群模型。其中，经典模型在处理线性问题时效果较好，树模型和神经网络模型在处理复杂的非线性问题时表现较好，比如有机固废热解产物产率及特性预测，而种群模型主要用于优化算法。SU等使用极端梯度提升（Extreme Gradient Boosting，XGB）模型，根据不同的热解条件和生物质特性建立了生物油含氧组分预测模型，为提高生物油质量提供了新思路；NGUYEN等以城市固废产生特性的10个特征作为输入，通过支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）等算法对城市固废产量进行预测，发现RF模型对城市固废产量预测效果最好，预测R²大于0.96，这有助于城市固废的规划管理；PATHY等使用XGB模型对藻类生物炭产量及其组成进行预测，生物炭产量预测模型的R²达到了0.84，这为理解输入参数对预测藻类生物炭产量的影响提供了新的见解；LENG等使用梯度提升决策树（Gradient Boosting Decision Tree，GBDT）、RF、SVM 3种模型，建立了三相产物分布和生物油热值预测模型，借助模型分析得出生物质在流化床中热解制油的最佳温度为480℃；RF、GBDT、XGB和SVM模型也可以用于预测固废热解的热重分析（TG）曲线，还可以用于固废气化过程的建模，并利用优化算法对模型进行优化，预测合成气的产率，研究发现优化模型具有较高的精度。近年来预测算法应用在有机固废的报道较多，但鲜见关于采用预测模型来预测含油污泥热解过程的研究报道。为此，采用树模型预测含油污泥热解残渣含油率，将极大地节省含油污泥热解试验时间并指导含油污泥热解工艺参数优化。

为了探究不同热解条件下含油污泥热解残渣含油率的变化规律，分别采用GBDT、XGB、SVM以及RF 4种机器学习算法建立含油污泥热解残渣含油率的预测模型，评估各预测模型的优劣和可靠性并进行超参数优化。模型结果可实现含油污泥热解残渣含油率的快速预测，为指导含油污泥热解过程的智能控制提供依据。

部分图表

图1 贝叶斯优化算法

图2 含油污泥热解残渣含油率的特征重要性分析

图3 20%测试集划分比例下BOA-GBDT、BOA-XGB、BOA-SVM、BOA-AF分别对含油污泥热解残渣含油率预测

引文格式

彭黄湖, 姜勇, 杨帆, 陈泽洲, 吴圣姬, 车磊. 基于机器学习的含油污泥热解残渣含油率预测[J/OL]. 能源环境保护: 1-10[2024-10-15]. https://doi.org/10.20078/j.eep.20240908.

PENG Huanghu, JIANG Yong, YANG Fan, CHEN Zezhou, WU Shengji, CHE Lei. Prediction of oil content in pyrolysis residue of oily sludge based on machine learning[J/OL]. Energy Environmental Protection: 1-10[2024-10-15]. https://doi.org/10.20078/j.eep.20240908.

　　责任编辑：宫在芹

基于机器学习的含油污泥热解残渣含油率预测

煤问提

煤传媒

煤视界

科技创新50强

会员中心