基于贝叶斯优化的机器学习模型预测木质纤维素生物质热解生物油产率

本研究创新性地将贝叶斯优化（BO）与CatBoost等5种机器学习（ML）算法结合，构建了生物油产率预测模型。通过分析329组实验数据，发现CatBoost模型表现最优（MAE=2.251±0.354，R2=0.861±0.061），并确定半纤维素含量（10-15 wt%）和升温速率（700-800 °C/min）为关键影响因素，为生物能源可持续生产提供了智能化解决方案。

　　

亮点

• CatBoost（CB）模型凭借处理非线性相互作用和类别特征的强大能力脱颖而出

• 通过特征重要性分析确定半纤维素含量和升温速率是影响产率的关键变量

• 部分依赖分析揭示：半纤维素（10-15 wt%）和快速升温（700-800 °C/min）可最大化产率

模型性能指标对比

所有模型的性能评估均基于30次运行的平均值和标准差（见表4），关键指标均在独立测试集（占数据集20%）上计算。表5总结了BO优化器为每个模型探索的超参数范围。CatBoost展现出最佳预测稳定性，其MAE比表现最差的ElasticNet低48.7%，R²高出39.2%。

结论

本研究证实了贝叶斯优化ML在木质纤维素热解生物油产率预测中的有效性。该混合框架通过整合BO与五种ML算法显著提升了预测精度，主要创新包括：

1. 1.

   建立了目前最全面的生物油产率预测模型（涵盖34种生物质类型）

2. 2.

   首次系统量化了热解条件与生物组分的协同效应

3. 3.

   为生物精炼厂提供了实时优化工具，可提升产率5-8%