基于机器学习的废塑料热解制燃料模型构建研究

废塑料热解制油(如航空燃料)与合成气(一氧化碳和氢气)是回收利用废塑料的重要途径。原料类型、工况条件等因素对热解产物产生重要影响,这使得热解过程的反应机理较为复杂,需通过大量实验数据探究反应规律,且实验成本高。机器学习具有数据处理量大、便于提炼统计规律的优势,可降低成本与研究难度。因此,基于多种机器学习算法,利用以无催化和分子筛催化剂催化为主体的数据构建模型,对原料热解进行研究。结果表明,在选取的几种模型中,梯度提升回归算法(GBR)对热解油产率的预测具有最好的拟合性能(R^(2)=0.91,RMSE=7.78),而自适应提升算法(AdaBoost)对热解气产率的预测具有最好的拟合性能(R^(2)=0.83,RMSE=6.42),因此用于预测反应条件。通过排列重要性分析与单依赖性分析,在加热速率约为20℃/min、温度为500℃时,油料的产率较高。同时,对热解油产率与反应温度、加热速率和反应时间3个条件进行了双依赖性分析。量化了加热速率、热解温度等反应条件对废塑料热解油气产率的影响,为废塑料回收的生产实践提供了理论基础。