预测生物质热解动力学参数的随机森林模型(Bio-RF).docxVIP

*基金项目：国家自然科学基金项目：No.中国工程热物理学会 燃烧学 学术会议论文 编号：184502 预测生物质热解动力学参数的随机森林模型(Bio-RF) 邢江宽，王海鸥，白云，罗坤，樊建人 浙江大学能源清洁利用国家重点实验室，杭州310027 Tel Email: zjuxjk@zju.edu.cn 摘 要 基于大量已发表的生物质热解实验数据，并采用数值方法拟合全局反应热解模型的动力学参数，建立生物质热解数据库，并利用随机森林算法，发展了生物质热解的随机森林模型。结果显示，随机森林模型能够较好地预测生物质热解的动力学参数(R20.92)。此外，变量重要性分析结果显示，纤维素含量对于指前因子和活化能影响较大，木质素对于反应级数的影响最大。加热条件对于指前因子的影响可以忽略，但是对活化能和反应级数的影响值得重视。 关键词 生物质热解；随机森林；加热速率；化学组成 0 前言 生物质能源相比传统的化石能源具有特殊的优越性，其具备可再生性。同时，相比其他可再生能源，生物质是唯一可替代化石燃料转化成固态、液态和气态燃料以及其他化工燃料或者产品的碳能源。所以生物质能的利用是21世纪能源发展的主要研究方向之一。当前生物质热化学转化方式主要有燃烧，气化和热解等[1]。热解是生物质的众多热化学转化方式的基础，一直以来生物质的热解过程以及其模型化都是学者们研究的重点。 生物质热解是一个非常复杂的物理化学过程，涉及到复杂的化学组分（纤维素，半纤维素和木质素）和反应机理及路径。国内外的学者开展了大量的实验研究提出针对生物质热解表观失重动力学模型，比如分布式活化能模型(DAEM)[2]等。近年来一些学者提出了微观网络类的生物质模型，例如化学渗透挥发分模型(CPD)[3]和动力学蒙特卡洛模型(KMC)[4]，对热解的详细组分信息做了预测。但是需要注意的是，在以上模型的提出所基于的实验研究中，针对的生物质的种类以及所处在的加热条件都十分有限，这些模型的动力学参数因而不具备生物质种类和加热条件的通用性。事实上，生物质热解的动力学与生物质种类（化学成分）以及其加热环境存在非常复杂的非线性关系，这种非线性关系对于提出通用的生物质热解模型至关重要，而且至今还没有完全被认知，需要进一步的研究[5]。 一些学者采用了传统的经验拟合的方法来研究这种非线性关系[6, 7]，但是结果显示他们提出的经验拟合表达式不能很好的表达这种关系[5]。随着人工智能方法的提出和发展，神经网络[8]、随机森林[9]等算法被发现能够较好的处理非线性问题。最近Xing等人[10]采用神经网络建立了煤粉热解动力学参数与煤种和加热条件之间的非线性关系。Lei等人[11]采用随机森林模型较为精确的预测了煤粉自燃现象。针对生物质热解，Sunphorka等人[12]采用神经网络(ANN)方法来研究动力学参数与生物质种类之间的非线性关系，但没有考虑加热条件的影响，且提出的模型只在一种生物质上加以验证，其通用性有待商榷。随机森林方法被认为是目前最先进的集成人工智能算法之一，其应用潜力很大，本文尝试利用随机森林方法建立生物质热解的动力学参数与生物质化学组成和其所处加热条件之间的非线性关系。 本文基于大量已发表的生物质热解实验数据，并采用数值方法拟合全局反应热解模型的动力学参数，建立生物质热解的训练和验证数据库。利用随机森林算法，建立生物质的化学组成和加热条件与动力学参数的复杂非线性关系，发展了生物质热解的随机森林模型，并在验证数据库上对提出的随机森林模型进行了验证。此外还采用排列精度重要性方法研究了生物质化学组成与加热条件对于其热解动力学参数的相对影响大小。 1 研究方法和样本库 1.1 拟合方法 图1. 不同生物质的实验值和拟合结果比较。 本文所建立的数据库中的生物质热解动力学参数是从大量实验数据中拟合而得来的，本文采用的架构是基于反应级数的全局反应热解模型，具体的表达式如下： (1) 其中X 是生物质颗粒的失重率，K是热解反应的指前因子，E是反应的活化能，n是反应的级数，T是颗粒的温度，t是时间。假设加热速率为常数，方程(1)可以转化为下式： (2) 采用Coats和Redfern提出的积分方法[13]，可