引言

　　相較于傳統(tǒng)的化石燃料，生物質(zhì)燃料是一種環(huán)保可持續(xù)的能源形式，其燃燒釋放的二氧化碳總體上是零增長的，在生產(chǎn)過程中能夠?qū)崿F(xiàn)碳中和 [1-2]。然而，生物質(zhì)的含水量和含氧量較高，熱值、堆積密度及能量密度較低，這不利于生物質(zhì)的運(yùn)輸和儲存，從而限制了生物質(zhì)能源的規(guī)模化應(yīng)用 [3-4]。為了降低碳排放以及更高效地利用生物質(zhì)能源，將生物質(zhì)與傳統(tǒng)的煤炭能源相結(jié)合形成混合燃料用于燃燒發(fā)電，即生物質(zhì)與煤耦合發(fā)電 [5-6]。這種方式可以減少對化石燃料的依賴，并實(shí)現(xiàn)清潔能源的逐步過渡 [7-8]。對生物質(zhì)進(jìn)行預(yù)處理，可以改善混合燃料的整體性能 [9]。烘焙是一種生物質(zhì)在無氧或者部分氧環(huán)境下，反應(yīng)溫度在 200~300℃之間的熱化學(xué)預(yù)處理方法 [10]。烘焙可以改變生物質(zhì)的微觀結(jié)構(gòu)和理化性質(zhì)，使其 O 元素和 H 元素含量降低，C 元素含量升高，熱值、能量密度、研磨性和吸水性等顯著改善，從而提高生物質(zhì)的燃料特性 [11-13]。

　　烘焙作為預(yù)處理的一種常見手段，既能夠有效地去除生物質(zhì)中的水分，提高其燃燒效率，又能提高生物質(zhì)的研磨性，從而降低生物質(zhì)與煤共燃前磨碎過程中的能耗 [14-16]。不同種類生物質(zhì)和煤的最佳共燃混合比例需根據(jù)燃燒需求以及混合燃料的整體燃燒效率進(jìn)行優(yōu)化 [17-18]。為了達(dá)到這一目標(biāo)，如果能參照成型燃料和煤的分類標(biāo)準(zhǔn)直接對烘焙生物質(zhì)進(jìn)行分級，則可以更有效地控制其與煤的混合比例，從而優(yōu)化混合燃料的整體燃燒性能。然而，生物質(zhì)種類繁多，人工對烘焙生物質(zhì)進(jìn)行分級需要進(jìn)行大量的重復(fù)實(shí)驗(yàn)，從而找出生物質(zhì)特性與燃料分級的對應(yīng)關(guān)系。機(jī)器學(xué)習(xí) (ML) 是一門研究計(jì)算機(jī)模擬人類學(xué)習(xí)行為的科學(xué)，可以通過算法解析數(shù)據(jù)，使用海量數(shù)據(jù)來訓(xùn)練模型，使模型掌握數(shù)據(jù)所蘊(yùn)含的潛在規(guī)律，進(jìn)而對新輸入的數(shù)據(jù)進(jìn)行準(zhǔn)確的分類或回歸預(yù)測。因此，利用機(jī)器學(xué)習(xí)對烘焙生物質(zhì)進(jìn)行燃料分級，將減少人工分類成本并獲得更精確的結(jié)果。本文主要介紹了近十年來機(jī)器學(xué)習(xí)在分類學(xué)以及生物質(zhì)烘焙方面應(yīng)用的研究進(jìn)展，歸納總結(jié)了機(jī)器學(xué)習(xí)在預(yù)測烘焙產(chǎn)物產(chǎn)量、固體產(chǎn)物質(zhì)量以及其他產(chǎn)物的影響因素重要性方面的能力，以期為生物質(zhì)烘焙研究提供更多的新思路。

　　1 機(jī)器學(xué)習(xí)及其在分類學(xué)方面的應(yīng)用

　　1.1 機(jī)器學(xué)習(xí)及算法

　　機(jī)器學(xué)習(xí)是一種人工智能的分支，其目標(biāo)是使計(jì)算機(jī)系統(tǒng)具有從經(jīng)驗(yàn)中學(xué)習(xí)、適應(yīng)和改進(jìn)的能力，而無需顯式地進(jìn)行編程 [19]。這是一個接收歷史數(shù)據(jù)、學(xué)習(xí)顯著關(guān)系并利用這些知識對新數(shù)據(jù)進(jìn)行預(yù)測的過程 [20]。

　　機(jī)器學(xué)習(xí)主要包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中，算法從帶有輸出標(biāo)簽的訓(xùn)練數(shù)據(jù)中學(xué)習(xí);而無監(jiān)督學(xué)習(xí)則是從沒有輸出標(biāo)簽的數(shù)據(jù)中學(xué)習(xí) [21-22]。對于烘焙實(shí)驗(yàn)數(shù)據(jù)通常有輸出標(biāo)簽，所以用監(jiān)督學(xué)習(xí)進(jìn)行回歸或分類。在回歸任務(wù)中，機(jī)器學(xué)習(xí)模型可以預(yù)測連續(xù)的數(shù)值，而在分類任務(wù)中，機(jī)器學(xué)習(xí)模型則是輸出離散的類別標(biāo)簽 [23-24]。根據(jù)機(jī)器學(xué)習(xí)可以相互轉(zhuǎn)化的特點(diǎn)，將連續(xù)的預(yù)測結(jié)果映射為離散的類別標(biāo)簽從而實(shí)現(xiàn)回歸到分類的轉(zhuǎn)化，并且有些監(jiān)督學(xué)習(xí)算法同時適用于回歸和分類，可以根據(jù)輸入數(shù)據(jù)和目標(biāo)變量的類型進(jìn)行調(diào)整 [25-27]。

　　目前機(jī)器學(xué)習(xí)在分類學(xué)上的應(yīng)用主要涉及算法有支持向量機(jī) (SVM)、反向傳播神經(jīng)網(wǎng)絡(luò) (BPNN)、相關(guān)性向量機(jī) (RVM)、樸素貝葉斯 (NB)、邏輯回歸 (LR)、極限學(xué)習(xí)機(jī) (ELM)、決策樹 (DT)、隨機(jī)森林 (RF)、人工神經(jīng)網(wǎng)絡(luò) (ANN)、多層感知器 (MLP)、K 最近鄰 (K-NN)、極端梯度提升 (XGBoost) 和分類回歸樹 (CART) 等 [28-30]。

　　1.2 機(jī)器學(xué)習(xí)的算法在分類學(xué)上的應(yīng)用

　　1.2.1 SVM 算法的應(yīng)用 SVM 是一種被廣泛應(yīng)用的機(jī)器學(xué)習(xí)算法 [31]，目前已被用在醫(yī)療、圖像識別、地理研究等領(lǐng)域。在醫(yī)療領(lǐng)域，SVM 算法主要被用于疾病的分類 [32-34]。Shetty 等 [35] 使用高斯徑向基函數(shù)核的 SVM 算法將帕金森病與肌萎縮側(cè)索硬化癥、亨廷頓病和健康對照成功分類，經(jīng)過特征向量選擇后，總體分類準(zhǔn)確率為 83.33%。在圖像識別領(lǐng)域，Maxwell 等 [36] 比較了 SVM、ANN、DT、RF 和 K-NN 等多種方法對遙感影像的分類，發(fā)現(xiàn) SVM 和 RF 對遙感光譜數(shù)據(jù)的分類具有較好的結(jié)果。Zhang 等 [37] 對 SVM 算法進(jìn)行優(yōu)化，提出了粒子群優(yōu)化 (PSO) 混沌序列支持向量機(jī) (CSVM)，研究發(fā)現(xiàn) PSO-CSVM 算法的準(zhǔn)確率在 90% 以上，部分類別的分類準(zhǔn)確率甚至達(dá)到 100%。其他領(lǐng)域上，使用 SVM 對城市土地覆被、魚類和塑料樣品進(jìn)行分類 [38-40]，也都得到了 90% 以上的分類準(zhǔn)確率。

　　1.2.2 ANN 算法的應(yīng)用 近年來 ANN 算法應(yīng)用越來越廣泛，在醫(yī)療領(lǐng)域，Dwivedi 等 [41] 采用 ANN 技術(shù)對急性淋巴細(xì)胞白血病和急性髓性白血病進(jìn)行分類，得到 98% 的分類準(zhǔn)確率。Chandrasekaran 等 [42] 提出了一個完全集成的人工神經(jīng)網(wǎng)絡(luò)對乳腺癌分類實(shí)現(xiàn) 97% 的分類精度。在語言識別方面，ANN 的性能優(yōu)于 SVM，測試集的準(zhǔn)確率高達(dá) 99.87%[43]。

　　1.2.3 其他算法的應(yīng)用 NB 算法是一種基于貝葉斯定理的分類算法，算法的實(shí)現(xiàn)相對簡單，計(jì)算速度快，在一些研究中可達(dá)到與 SVM 算法同樣的準(zhǔn)確率 [38-39]。

　　XGBoost 算法是一種梯度提升樹的改進(jìn)版本，具有出色的性能和廣泛的應(yīng)用。劉燕君等 [44] 利用機(jī)器學(xué)習(xí)對濕地進(jìn)行分類，發(fā)現(xiàn)與 SVM 和 RF 相比，XGBoost 算法能夠提供更高準(zhǔn)確率的濕地分類結(jié)果。李波等 [45] 通過機(jī)器學(xué)習(xí)對核桃干腐病的發(fā)病程度進(jìn)行分類，發(fā)現(xiàn) XGBoost 預(yù)測模型優(yōu)于 LR 和 BPNN。

　　ELM 等算法在分類上也取得了很好的結(jié)果。Sajedi 等 [46] 通過機(jī)器學(xué)習(xí)方法識別放線菌菌株。先采用主成分分析 (PCA) 進(jìn)行降維，再用多層感知器 (MLP) 進(jìn)行分類，獲得了 80% 以上的準(zhǔn)確度。Sun 等 [47] 基于近紅外光譜圖，使用類類比軟獨(dú)立建模 (SIMCA)、最小二乘支持向量機(jī) (LS-SVM) 和 ELM 這 3 種算法對紡織面料進(jìn)行分類，發(fā)現(xiàn)與 SIMCA 和 LS-SVM 相比，ELM 模型以更高的速度實(shí)現(xiàn)了 100% 的分類準(zhǔn)確率。

　　2 機(jī)器學(xué)習(xí)在生物質(zhì)烘焙方面的應(yīng)用

　　2.1 生物質(zhì)烘焙

　　無氧烘焙指在 200~300℃的無氧環(huán)境下對生物質(zhì)進(jìn)行熱處理的過程，該過程可以提高生物質(zhì)的燃料特性，使其具有更高的能量密度和更好的燃燒性能。Alvarez 等 [48] 在氮?dú)鈼l件下，對 6 種生物質(zhì)樣品 (松樹、桉樹、栗樹、圣櫟、橄欖樹和葡萄藤) 進(jìn)行烘焙，發(fā)現(xiàn)對于 80% 質(zhì)量產(chǎn)率和 90% 能量產(chǎn)率這一目標(biāo)的最佳烘焙溫度均為 240℃，且經(jīng)烘焙預(yù)處理后，樣品的 H/C、O/C 和水分含量均降低，疏水性和固定碳含量均增加，高位熱值 (HHV) 增加。Ibrahim 等 [49] 對柳樹、桉樹、硬木混合物 (橡木和樺樹) 和軟木混合物 (云杉、松樹和落葉松) 經(jīng)烘焙預(yù)處理后的理化特性進(jìn)行了研究，發(fā)現(xiàn)溫度在烘焙過程中起主要作用，較低的溫度和較短的停留時間是獲得良好物理性能和較高能量產(chǎn)率的最佳處理方法。在 270℃停留 30min 情況下得到的燃料的質(zhì)量產(chǎn)率均約為 70%，能量產(chǎn)率約為 80%~90%，且烘焙固體的能量產(chǎn)率隨質(zhì)量產(chǎn)率單調(diào)變化。此外，Arias 等 [50] 在氮?dú)庀潞姹荷镔|(zhì)，發(fā)現(xiàn)烘焙生物質(zhì)的研磨性和可處理性得到改善，這能在一定程度上彌補(bǔ)了烘焙過程中的一些能耗。

　　常規(guī)烘焙的成本主要是長時間運(yùn)行和惰性氣體 (一般為 N₂) 的消耗，直接采用有氧氣氛代替惰性氣氛，可以降低分離氣體部分的運(yùn)行成本 [51]。生物質(zhì)有氧烘焙的主要機(jī)理一般包括普通的烘焙反應(yīng)和氧化反應(yīng)，因此有氧烘焙的反應(yīng)速率一般較快，提質(zhì)效率較高，烘焙的持續(xù)時間短 [52-53]。在有氧烘焙過程中，氧化劑有效提高了脫氫、脫氧和能量密度優(yōu)化的效率 [54-55]，以及有效地加速氧化烘焙過程中表面親水基團(tuán)的分解或轉(zhuǎn)化，顯著增強(qiáng)烘焙樣品的疏水性 [56]。Chen 等 [57] 對油棕纖維顆粒進(jìn)行有氧烘焙，發(fā)現(xiàn)與無氧烘焙相比，油棕纖維顆粒在 275℃下的有氧烘焙大大增強(qiáng)了生物質(zhì)的 HHV。

　　開興平等 [58] 研究了有氧烘焙對玉米秸稈組成成分、質(zhì)量產(chǎn)率、化學(xué)結(jié)構(gòu)及微觀結(jié)構(gòu)等理化特性及氣化特性的影響。相比于無氧烘焙有氧烘焙具有更好的提質(zhì)效果，O₂的存在還提高了活化能降低了烘焙各階段的最終溫度 [59]。Li 等 [60] 研究了有氧烘焙對木球在單顆粒燃燒器中燃燒過程的影響，發(fā)現(xiàn)隨著烘焙溫度和氧氣濃度的升高，質(zhì)量產(chǎn)率增加。Zhang 等 [55] 研究發(fā)現(xiàn)，在相同的溫度和持續(xù)時間下，相比于無氧烘焙的生物炭，有氧烘焙導(dǎo)致生物炭具有更大的比表面積和更好的疏水性，從而在生物質(zhì)炭燃燒和工業(yè)應(yīng)用方面具有更好的燃料性質(zhì)，以及與溫和條件下的無氧烘焙相比，有氧烘焙有更低的能量消耗和更高的能量產(chǎn)率。此外，有氧烘焙后的生物質(zhì)的元素組成接近泥煤和褐煤，因此其具有與煤較好的混燃特性 [61]。

　　2.2 預(yù)測烘焙產(chǎn)物能量及影響因素

　　在生物質(zhì)轉(zhuǎn)化過程中，烘焙產(chǎn)物的能量輸出直接影響其作為可再生能源的效益。借助機(jī)器學(xué)習(xí)能夠預(yù)測烘焙產(chǎn)物能量，并且從大量數(shù)據(jù)中識別出影響能量產(chǎn)出的關(guān)鍵因素，進(jìn)而為烘焙工藝的優(yōu)化提供依據(jù)，提高生物質(zhì)燃料的利用效率。Kartal 等 [62] 建立的 ANN 模型在考慮實(shí)驗(yàn)條件的情況下直接用生物質(zhì)原料樣品的近似分析結(jié)果預(yù)測烘焙原料的化學(xué)。輸入層包含 5 個參數(shù)：溫度、時間、固定碳 (FC) 質(zhì)量分?jǐn)?shù)、揮發(fā)分 (VM) 質(zhì)量分?jǐn)?shù)和灰分 (Ash) 質(zhì)量分?jǐn)?shù)，輸出層為化學(xué)。建立了包含 284 個樣品的數(shù)據(jù)庫得出模型訓(xùn)練集的決定系數(shù) R²>0.92 烘焙生物質(zhì)樣品的化學(xué)集中在之間。Kartal 等 [63] 基于生物質(zhì)原料的近似分析結(jié)果和實(shí)驗(yàn)條件進(jìn)一步研究，開發(fā)了一種基于前饋反向傳播算法的 ANN 模型來估算烘焙生物質(zhì)的 HHV，研究發(fā)現(xiàn)：該模型的性能略好于自適應(yīng)神經(jīng)模糊推理系統(tǒng) (ANFIS)。

　　為實(shí)現(xiàn)更精準(zhǔn)的預(yù)測，研究者將不同機(jī)器學(xué)習(xí)算法聯(lián)用并優(yōu)化。Nieto 等 [64] 使用混合 PSO 優(yōu)化 SVM (POS-SVM) 算法，基于生物質(zhì)原料特性與烘焙條件預(yù)測烘焙生物質(zhì)的 HHV。研究發(fā)現(xiàn)：基于 3 次核函數(shù)的混合模型應(yīng)用于實(shí)驗(yàn)數(shù)據(jù)集并進(jìn)行最優(yōu)超參數(shù)回歸時其 R² 可達(dá)同時揮發(fā)分、固定碳和 O/C 等生物質(zhì)原料特性對烘焙生物質(zhì)的 HHV 有很大的影響。Onsree 等 [65] 將機(jī)器學(xué)習(xí)與協(xié)作博弈論 (SHAP) 相結(jié)合，使用來自烘焙條件、原料特性和烘焙反應(yīng)器特性的 18 個獨(dú)立輸入特征開發(fā)了一個用于預(yù)測烘焙生物質(zhì)的 HHV 的可解釋模型。基于十倍交叉驗(yàn)證評估了梯度樹提升 (GTB)、和算法的預(yù)測效果發(fā)現(xiàn)的預(yù)測精度最高對的 R² 為同時研究發(fā)現(xiàn)烘焙條件的特征 (溫度和時間) 對其結(jié)果影響最大。Liu 等 [66] 建立了一個 BPNN 與遺傳算法 (GA) 優(yōu)化相結(jié)合的 GA-BPNN 模型，用于預(yù)測烘焙生物質(zhì)的 HHV。通過對模型進(jìn)行評價，發(fā)現(xiàn) GA-BPNN 模型對各屬性的預(yù)測精度均較好。

　　2.3 預(yù)測烘焙固體產(chǎn)物產(chǎn)量及影響因素

　　固體產(chǎn)物的產(chǎn)量是評估生物質(zhì)烘焙效率的重要指標(biāo)，通過機(jī)器學(xué)習(xí)建模并預(yù)測不同條件下固體產(chǎn)量的變化趨勢可以為改進(jìn)工藝流程和提升固體產(chǎn)物質(zhì)量提供科學(xué)依據(jù)。Zhu 等 [67] 根據(jù)生物質(zhì)原料特性和烘焙條件的特征，利用 RF 算法預(yù)測生物質(zhì)烘焙過程中的固體產(chǎn)量和固定碳含量。基于一個包含 12 個特征的數(shù)據(jù)集，分析發(fā)現(xiàn)：灰分、半纖維素含量和氮含量等生物質(zhì)原料特征對固體產(chǎn)量的貢獻(xiàn)為 35%，對固定碳含量的貢獻(xiàn)超過 45%，而烘焙條件對固體產(chǎn)量和固定碳含量的貢獻(xiàn) (分別為 65% 和 53%) 均高于生物質(zhì)原料特性。

　　Pathy 等 [68] 利用 XGBoost 算法預(yù)測藻類生物質(zhì)烘焙的固體產(chǎn)量，其通過 Pearson 相關(guān)系數(shù)矩陣揭示了輸入?yún)?shù)與固體產(chǎn)量之間的相關(guān)性，分析發(fā)現(xiàn)烘焙溫度是影響固體產(chǎn)量最大的因素。Onsree 等 [69] 利用機(jī)器學(xué)習(xí)建立了生物質(zhì)原料特性和烘焙條件為輸入特征來預(yù)測生物質(zhì)烘焙固體產(chǎn)量的模型通過十倍交叉驗(yàn)證對模型進(jìn)行評估分析發(fā)現(xiàn)的預(yù)測精度最高 R² 約為 0.90，均方根誤差 (RMSE) 為 0.07。此外，除了烘焙溫度和停留時間外，揮發(fā)分、固定碳含量、氫含量等生物質(zhì)特性也是影響烘焙生物質(zhì)固體產(chǎn)量的重要特征貢獻(xiàn)率在左右其中揮發(fā)物約占 1/3。之后，Onsree 等 [65] 進(jìn)一步將機(jī)器學(xué)習(xí)與協(xié)作博弈論 (SHAP) 結(jié)合，用于預(yù)測生物質(zhì)烘焙固體產(chǎn)量，研究發(fā)現(xiàn)仍然是的預(yù)測精度最高對固體產(chǎn)量的 R² 為等 [66] 將開發(fā)的模型用于預(yù)測烘焙生物質(zhì)的固體產(chǎn)量，分析發(fā)現(xiàn)其同樣具有良好的預(yù)測精度。

　　2.4 預(yù)測其他結(jié)果及影響因素

　　除了固體產(chǎn)物和能量，借助機(jī)器學(xué)習(xí)也可以對液體產(chǎn)物、氣體產(chǎn)物以及燃料混合比等進(jìn)行預(yù)測，通過機(jī)器學(xué)習(xí)分析不同變量對不同產(chǎn)物的影響，可以實(shí)現(xiàn)更全面的預(yù)測，并為生物質(zhì)的全面利用和資源優(yōu)化提供新的視角。Liu 等 [66] 開發(fā)的 GA-BPNN 模型預(yù)測了包括燃料比 (FR)、H/C 和 O/C 在內(nèi)的烘焙生物質(zhì)燃料特性。通過對模型進(jìn)行評價，研究發(fā)現(xiàn) GA-BPNN 模型適用于任何類型的生物質(zhì)原料，泛化性較高。Kartal 等 [63] 基于生物質(zhì)原料的近似分析結(jié)果和實(shí)驗(yàn)條件，使用 ANN 模型估算了烘焙生物質(zhì)的碳、氫、氧含量。

　　Ismail 等 [70] 使用 ANN 開發(fā)預(yù)測模型，根據(jù)生物質(zhì)原料和工藝參數(shù)計(jì)算橄欖核烘焙過程中的固體產(chǎn)量、液體產(chǎn)量和氣體產(chǎn)量，預(yù)測曲線顯示了固體產(chǎn)量和液體產(chǎn)量之間的線性關(guān)系，以及氣體產(chǎn)量在生物質(zhì)原料特性和工藝參數(shù)方面的非線性關(guān)系。此外，平均橄欖核粒徑對產(chǎn)量的影響最大。Aniza 等 [71] 將 ANN 與一個隱藏層結(jié)構(gòu)相結(jié)合，用于預(yù)測由微波催化和烘焙處理得到的生物油和生物炭，預(yù)測出烘焙得到生物燃料總產(chǎn)量 (生物炭 + 生物油) 最高可達(dá) 99.42%。Ozonoh 等 [72] 采用 ANN 與響應(yīng)面法 (RSM) 結(jié)合的模型，基于煤和生物質(zhì)混合物的固體產(chǎn)量、能量增強(qiáng)因子 (EF) 和 HHV 確定了最佳烘焙工藝條件 (溫度、時間和混合比)。

　　3 展望

　　3.1 機(jī)器學(xué)習(xí)應(yīng)用于烘焙生物質(zhì)燃料分類的優(yōu)勢

　　機(jī)器學(xué)習(xí)用于烘焙生物質(zhì)燃料分類，可為生物質(zhì)能源的有效利用提供支持。一方面，有助于減少實(shí)驗(yàn)試錯的成本和時間，準(zhǔn)確地將烘焙生物質(zhì)燃料參照成型燃料和煤的標(biāo)準(zhǔn)進(jìn)行精準(zhǔn)分類，為不同類型的生物質(zhì)提供更有效的利用方案。另一方面，根據(jù)生物質(zhì)的種類和特性進(jìn)行定制化的處理，并通過對生物質(zhì)的熱化學(xué)特性的掌握，更好地集成生物質(zhì)能源與其他可再生能源形式，促進(jìn)能源系統(tǒng)的可持續(xù)性發(fā)展。

　　3.2 烘焙生物質(zhì)分類模型的構(gòu)建

　　首先，選擇總體架構(gòu)，包括遴選機(jī)器學(xué)習(xí)的模型以及決定使用哪些特征數(shù)據(jù)、超參數(shù)等。收集包括不同生物質(zhì)種類，烘焙條件(溫度、時間、氣氛等)，產(chǎn)物性質(zhì)以及烘焙生物質(zhì)燃燒特性的實(shí)驗(yàn)數(shù)據(jù)，并對所收集的數(shù)據(jù)進(jìn)行特征提取。通過對生物質(zhì)烘焙產(chǎn)物的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，提取 HHV、微觀結(jié)構(gòu)參數(shù)、元素組成等關(guān)鍵特征，作為機(jī)器學(xué)習(xí)模型的輸入。同時確定表示參考煤分類的特征：煤燃燒行為特征的結(jié)渣指數(shù)、積灰腐蝕指數(shù)、熱量釋放等指標(biāo)，這些標(biāo)準(zhǔn)將作為烘焙生物質(zhì)燃料分類的參照依據(jù)。其次，根據(jù)所選擇的架構(gòu)來訓(xùn)練模型，將處理之后的數(shù)據(jù)集劃分為訓(xùn)練集和測試集，用訓(xùn)練集對所選擇的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練及優(yōu)化，然后對模型進(jìn)行驗(yàn)證及診斷。通過交叉驗(yàn)證等方法驗(yàn)證模型在測試集上的表現(xiàn)，再使用準(zhǔn)確性、召回率、精確度等評估指標(biāo)，評估機(jī)器學(xué)習(xí)模型的性能。最后，根據(jù)診斷結(jié)果做出決策，是否進(jìn)行更改參數(shù)、添加數(shù)據(jù)、增添或減去特征等操作來優(yōu)化模型。之后用新的架構(gòu)再次循環(huán)，直至得到理想的模型。

　　機(jī)器學(xué)習(xí)在生物質(zhì)能源分類方面的應(yīng)用有望為能源產(chǎn)業(yè)帶來高效、智能化和可持續(xù)的解決方案，為實(shí)現(xiàn)清潔能源目標(biāo)做出貢獻(xiàn)。要確保機(jī)器學(xué)習(xí)模型在實(shí)際應(yīng)用中能夠取得可靠和有效的結(jié)果，需要處理不完美的訓(xùn)練數(shù)據(jù)、復(fù)雜的特征空間以及作為用戶定義參數(shù)的用戶輸入需求。對此，需要對數(shù)據(jù)集進(jìn)行篩選和處理，再利用機(jī)器學(xué)習(xí)進(jìn)行特征重要性分析，提取關(guān)鍵特征以進(jìn)行有效的分類，以及不斷調(diào)整和優(yōu)化機(jī)器學(xué)習(xí)模型的復(fù)雜性，以提高模型的泛化性能。這些都需要生物質(zhì)熱化學(xué)的知識以及計(jì)算機(jī)專業(yè)的技能來合作解決。

劉海云;孫云娟;徐 衛(wèi);陳義峰;汪 東;黃 萍,中國林業(yè)科學(xué)研究院;林產(chǎn)化學(xué)工業(yè)研究所;江蘇省生物質(zhì)能源與材料重點(diǎn)實(shí)驗(yàn)室;國家林業(yè)和草原局林產(chǎn)化學(xué)工程重點(diǎn)實(shí)驗(yàn)室;林木生物質(zhì)低碳高效利用國家工程研究中心;南京林業(yè)大學(xué);中石化南京化工研究院有限公司,202406