基于模型自由与模型拟合方法的指黍秸秆热解动力学与热力学分析及ANN机器学习模型预测研究

本研究针对指黍秸秆（FMS）热解过程中的动力学与热力学机制不明问题，结合KAS、FWO等5种模型自由方法和DAEM模型拟合方法，揭示其活化能（167–175 kJ/mol）及反应机制（R1、D2等），并通过ANN模型实现热失重预测（R2=0.994）。成果为生物质能转化提供理论支撑与技术优化路径。

　　

随着化石能源枯竭与气候变化加剧，生物质能作为可再生碳源成为研究热点。指黍（Eleusine coracana）秸秆（FMS）作为农业废弃物，其热解转化潜力尚未充分挖掘。现有研究多局限于单一动力学模型，且缺乏机器学习预测手段。印度作为全球第二大农业国，年产6.5亿吨农业残渣，FMS的残留物与产物比（RPR）达1.3，但仅有两篇文献涉及FMS热解，且未系统整合模型自由/拟合方法或机器学习应用。为此，印度研究人员通过多方法联用与人工神经网络（ANN）建模，填补了这一空白。

研究采用热重分析（TGA）在非等温条件下解析FMS热解行为，结合Kissinger-Akahira-Sunose（KAS）、Flynn-Wall-Ozawa（FWO）、Friedman等5种模型自由方法和分布式活化能模型（DAEM）进行动力学分析，并通过主曲线（master plots）判定反应机制。ANN模型以温度、升温速率为输入，预测重量损失。

Feedstock collection, characterization, and thermogravimetric experiments
FMS采自印度Nagpur，经粉碎筛分（<250 μm）后，ASTM标准分析显示其纤维素+半纤维素含量达60.91%，固定碳16.81%，水分仅5.9%，表明其适于热解。TGA显示主要失重（70–76%）发生于147–500°C。

Characterization of finger millet straw
低灰分（8.5%）与高挥发分（75.3%）凸显FMS能源潜力。元素分析显示O/C比0.58，H/C比1.58，预示较高生物油产率。

Conclusions
六种方法所得平均活化能（167–175 kJ/mol）无显著差异（ANOVA验证）。主曲线表明α<0.5时遵循一级反应（R1），α>0.5时符合二维扩散（D2）与Ginstling-Brounshtein（D4）模型。热力学参数ΔH≈164 kJ/mol、ΔG≈169 kJ/mol证实过程可行性。ANN模型测试集R²达0.994，均方误差仅0.684，显著优于传统方法。

该研究首次系统整合多尺度动力学方法与机器学习，为FMS热解工艺优化与反应器设计提供理论依据。印度丰富的FMS资源（年产1.89百万吨）可通过该技术实现增值转化，助力碳中和目标。论文发表于《Bioresource Technology Reports》，作者Ankita Tagade等强调该方法可扩展至其他生物质研究，推动可再生能源技术发展。