热解技术是煤清洁高效转化利用的主要技术之一，然而由于煤成分复杂、热解反应难以控制，使得不同煤种都需要消耗大量时间和精力重复进行热解产物分布研究。本文以煤的组成和热解终温为输入条件，煤热解产物收率为输出条件，采用机器学习模型调参后的随机森林(RF)、支持向量机(SVM)和XGBoost算法对煤热解产物收率进行了预测，分析了不同输入特征对热解产物收率的重要性，并使用双因素部分依赖分析(PDP)评估输入特征对热解产物收率的影响。结果表明，三种算法模型中，XGBoost算法对煤热解产物收率预测的性能最佳，其对焦油收率的决策系数(R2)和均方根误差(RMSE)分别达到最高的0.95和最低的0.86。焦炭收率主要受到固定碳、挥发分、氧元素和热解终温的影响，占比为84%，而焦油收率主要受挥发分、氢元素、氮元素和热解终温的影响，占比为83%。PDP分析表明，随着煤中氢原子含量和挥发分的增加，煤热解焦油收率会随之上升。根据XGBoost算法计算可知，当煤中氢元素含量在5.0 wt.% ～ 6.0 wt.%，挥发分含量位于30 wt.% ～ 40 wt.%时，热解焦油收率可达到9%以上。当固定碳含量大于50 wt.%时，煤中氢元素和挥发分含量的减少以及热解终温的下降，都会引起热解气收率的降低。

0 引 言
1 方法
1.1 数据收集及初步分析
1.2 数据预处理
1.3 机器学习模型
1.4 模型评估方法
2 结果与讨论
2.1 数据描述性统计分析
2.2 RF、SVR和XGBoost算法模型预测性能对比
2.3 特征重要性分析
2.4 特征部分依赖分析（PDP）
3 结 论