基于使用“增强数据”进行训练的机器学习算法对生物炭高位热值进行预测的研究

《BioEnergy Research》：Research on the Prediction of Higher Heating Value of Biochar Based on Machine Learning Trained with “Enhanced Data”

生物炭高热值预测中创新性采用数据增强方法，将生物质特性分为三组构建LightGBM、CatBoost和DNN模型。实验表明增强数据使R2提升0.068，MAE和RMSE分别降低0.421和0.180。SHAP分析显示灰分和热解温度仍为关键特征，PDP和ICE分析证实特征贡献度显著变化。本研究为生物质热解产物特性预测提供新方法。

　　

摘要

生物炭是一种高效且清洁的燃料。近年来，机器学习技术在预测生物炭的高热值（HHV）方面取得了显著进展。本研究创新性地提出了一种用于提高生物炭高热值预测数据质量的方法。根据生物质的特性，将数据集分为三组，并基于三种机器学习算法（LightGBM、CatBoost和DNN）建立了生物炭高热值的预测模型。评估了“增强数据”对模型预测准确性的影响。实验结果表明，引入“增强数据”可以提高模型的拟合性能，其中LightGBM模型更适合用于生物炭高热值的预测。引入增强数据后，模型的预测准确性得到提升：R2增加了0.068，平均绝对误差（MAE）降低了0.421，均方根误差（RMSE）降低了0.180。SHAP分析显示，“增强数据”的引入改变了特征的重要性排序，其中热解灰分含量和热解温度仍位列重要特征的前沿。PDP和ICE分析表明，“增强数据”的引入显著改变了某些特征对生物炭高热值的贡献。本研究为预测生物质热解产物的其他特性提供了重要的参考和指导。