生物质热解的数字双胞胎框架的开发:利用机器学习提高燃料灵活性

科学领域:

• 生物质转化和热化学加工.
• 计算建模和机器学习应用程序.

背景情况:

• 热化学转化生物质,像热解,需要燃料的灵活性,以高效的能源生产.
• 现有的热溶解计算模型通常是原料特定的,并且计算密集.
• 机器学习为预测热解行为提供了更快的替代方案.

研究的目的:

• 开发和验证用于模拟生物质热解的机器学习模型.
• 为了实现燃料灵活性和优化生物质转化过程条件.
• 预测用于多种原料应用的热解前端传播和温度.

主要方法:

• 开发了一种1D有限体积模型,用于顶点照明上游气流 (TLUD) 生物质烧化器.
• 集成的动态多孔性和单步反应方案,与桃子坑数据校准.
• 使用基于物理模型的数据训练了一个XGBoost机器学习模型.
• 进行了灵敏度分析以确定关键的热解参数.
• 利用数字双胞胎框架进行多种料预测.

主要成果:

• 基于物理学的模型成功模拟了自持式热解前部传播.
• XGBoost模型准确地预测了热解前端的传播和固体温度的峰值.
• 通过灵敏度分析确定了影响热解过程的有影响力的参数.
• 对桃子和梅子坑的数字双胞胎成功应用.

结论:

• 在基于物理的模拟上训练的机器学习模型可以快速预测生物质热解.
• 这种方法提高了燃料的灵活性,并有助于优化工艺条件,以保持一致的产品质量.
• 开发的框架支持各种生物质原料的高效热化学转化.