Улучшенная глубоким обучением модель прогнозирования выхода био‑масла из органических твердых отходов с учетом химически значимых признаков

Превращение повседневных отходов в полезное топливо

Бытовой мусор, пищевые отбросы, аграрные остатки и иловые осадки обычно становятся проблемой, за утилизацию которой платят. Между тем все эти органические отходы богаты энергией, которую можно превратить в жидкое топливо — био‑масло. Сложность в том, что разные виды отходов по‑разному ведут себя при нагреве, поэтому инженерам трудно заранее оценить, сколько полезного масла получится. В этой работе показано, как модель глубокого обучения, разработанная с учетом химической экспертизы, может точно предсказывать выход био‑масла для широкого набора отходов, помогая превращать мусор в более надежный ресурс чистой энергии.

Почему прогнозирование выхода био‑масла так сложно

Био‑масло обычно получают процессом пиролиза, при котором органический материал быстро нагревают в отсутствие кислорода. Теоретически это может превратить всё — от сельскохозяйственных остатков до водорослей — в жидкость, которую затем можно переработать в топлива и химикаты. На практике результаты сильно варьируются. Состав по углероду, водороду, кислороду, золе (неорганическим минералам) и влаге отличается в разных потоках отходов, да и лаборатории применяют разные реакторы и режимы нагрева. Ранние исследования с применением машинного обучения пытались предсказывать выходы, но часто опирались на небольшие и узкие наборы данных и относительно простые модели, которые плохо справлялись с запутанной, нелинейной химией процесса.

Создание богатой и согласованной картины данных

Чтобы преодолеть эти препятствия, авторы собрали согласованный набор данных из 245 экспериментальных случаев из литературы, все связанные с органическими твердыми отходами. Каждая запись включает подробную информацию о составе материала (углерод, водород, азот, кислород, зола, фиксированный углерод и летучая фракция), температуре пиролиза и других рабочих условиях, а также о полученном выходе био‑масла. Тщательный отбор исключил записи с пропущенными или неясными значениями, а все выходы были приведены к единой основе, чтобы числа из разных исследований можно было честно сравнивать. Затем проведены статистические проверки, чтобы понять взаимосвязи между переменными и обнаружить скрытые избыточности, которые могли бы ввести алгоритм в заблуждение.

Добавление химического контекста к числам

Вместо того чтобы подавать в модель только необработанные измерения, исследователи сконструировали новые, химически информативные признаки. Они создали соотношения, такие как водород‑к‑углероду и кислород‑к‑углероду, меру доли материала, переходящей в пары по сравнению с твердым углеродистым шлаком, скорректированную по золе летучую фракцию, учитывающую минералы, мешающие образованию масла, и индекс энергетической плотности, суммирующий богатство топлива. Затем применили анализ инфляции дисперсии (variance inflation analysis), чтобы убрать перекрывающуюся информацию и сохранить компактный набор из девяти ключевых входных признаков. Этот сокращенный набор сохраняет физический смысл химии и одновременно избегает статистических ловушек, делающих модели нестабильными.

Обучение нейронной сети «читать» отходы

С этим уточненным вводом команда обучила два типа предиктивных моделей: глубокую нейронную сеть и популярный древовидный метод Light Gradient Boosting. Обе модели настраивали с помощью продвинутых алгоритмов поиска, которые исследуют множество комбинаций гиперпараметров, таких как скорость обучения и глубина сети, чтобы найти наилучшие соответствия данным. Глубокая модель в конечном итоге использовала три скрытых слоя и приемы регуляризации, такие как dropout и batch normalization, чтобы избежать переобучения. В повторяющихся циклах обучения и тестирования оптимизированная глубокая сеть последовательно превосходила конкурентов, достигая коэффициента детерминации (R²) 0,98 и среднеквадратичной ошибки чуть выше одного процентного пункта при прогнозировании новых, ранее невидимых выходов био‑масла.

Что важнее всего для образования масла

Помимо чистой точности, авторы хотели понять, какие аспекты отхода и процесса сильнее всего влияют на выход. Глобальное исследование чувствительности показало, что наибольшее влияние оказывают содержание углерода, фиксированный углерод, зола и температура — как индивидуально, так и через их взаимодействия. Высокая летучая фракция и благоприятные уровни водорода помогают, но их эффекты часто зависят от этих основных переменных. Такое ранжирование соответствует устоявшемуся представлению о химии пиролиза: больше углерода и летучих компонентов обычно способствует образованию масла, тогда как высокая зола и чрезмерный фиксированный углерод направляют материал в шлак и газ. Совпадение «взгляда» модели и химической интуиции повышает уверенность в том, что модель не просто подстраивается под шум.

От умных прогнозов к более продуманному проектированию переработки в топливо

Проще говоря, исследование показывает, что хорошо продуманная система глубокого обучения, основанная на реальной химии, а не на слепом поиске шаблонов, может заранее сообщить, сколько жидкого топлива вероятно получится из данного органического отхода и набора режимов нагрева. Это упрощает отбор перспективных сырьевых потоков, выбор эффективных рабочих режимов и планирование более экологичных проектов по превращению отходов в энергию без бесконечных экспериментов методом проб и ошибок. Авторы отмечают, что более крупные и разнообразные наборы данных еще больше повысят надежность, однако их подход уже задает новый эталон производительности и указывает путь к проектированию более чистых и предсказуемых систем производства био‑масла на основе данных.

Цитирование: Almansour, S., Alkwai, L.M., Yadav, K. et al. Deep learning enhanced prediction framework for bio oil yield from organic solid waste with chemically informed features. Sci Rep 16, 13667 (2026). https://doi.org/10.1038/s41598-026-43604-7

Ключевые слова: прогнозирование био‑масла, органические твердые отходы, глубокое обучение, пиролиз, энергия биомассы