張欣馳，董善美，王 粵，吳石亮，肖 睿

(東南大學(xué) 能源與環(huán)境學(xué)院，江蘇 南京 211189)

中國具有豐富的農(nóng)林廢棄物資源，據(jù)統(tǒng)計，農(nóng)作物秸稈的資源量已經(jīng)達到了9億噸/年[1]。目前，農(nóng)林廢棄物的利用方式仍處于探索階段，而農(nóng)林廢棄物資源的循環(huán)和分級利用是農(nóng)林廢棄物資源化利用的趨勢，該方法的實現(xiàn)有利于增加農(nóng)產(chǎn)品附加值、促進綠色農(nóng)業(yè)發(fā)展[2]。當(dāng)今階段農(nóng)業(yè)園區(qū)必須對園區(qū)內(nèi)每年產(chǎn)生的大量秸稈類農(nóng)林廢棄物進行收集和處理，較為常用的辦法有秸稈粉碎還田、堆漚制備有機肥等[2]。但是秸稈粉碎還田會降低稻麥等農(nóng)作物的出芽率，堆漚制備的有機肥料肥效低，處理不當(dāng)還會造成環(huán)境污染等問題[3]。生物質(zhì)熱解技術(shù)可以通過較低的成本連續(xù)高效地將低能量密度的生物質(zhì)轉(zhuǎn)化成高能量密度的氣、液、固產(chǎn)物[4]。其中熱解氣燃燒能夠提供熱解反應(yīng)器所需的能量；經(jīng)焙燒活化后的生物炭由于具有豐富的孔隙結(jié)構(gòu)以及巨大的比表面積使得其具有作為肥料載體的巨大潛力，可作為肥料緩釋材料應(yīng)用于大規(guī)模農(nóng)作物水稻、小麥等的種植，能有效克服目前市場上簡單混合生物炭與肥料得到的緩釋肥緩釋能力非常有限的問題；生物油具有天然的聚合成膜特性，其富含多羥基化合物，與異氰酸根化合物反應(yīng)后可以生成新型的生物基聚氨酯樹脂，改性后可作為包膜控釋肥的包膜膜材，應(yīng)用于高價值作物花卉、蔬果[5-6]的種植，相較于傳統(tǒng)人工聚合包膜材料更節(jié)能環(huán)保，經(jīng)濟實惠,由此可以解決農(nóng)業(yè)園區(qū)肥料需求量大的問題。目前支持向量機(SVM)算法較好地應(yīng)用在生物質(zhì)熱化學(xué)轉(zhuǎn)化過程中，相比其他機器學(xué)習(xí)算法，該算法在解決小樣本、非線性及高維模式識別中表現(xiàn)突出[7]。本研究通過收集相關(guān)文獻數(shù)據(jù)，利用SVM算法建立秸稈類生物質(zhì)熱解產(chǎn)物模型，提出了一個基于農(nóng)業(yè)園區(qū)的產(chǎn)物綜合利用一體化方案，并利用該模型進行后續(xù)優(yōu)化，以期進一步提升農(nóng)林廢棄物資源開發(fā)利用綜合效益。

1 建模及分析方法

1.1 生物質(zhì)分級利用的SVM建模

1.1.1機器學(xué)習(xí)算法SVM的原理 支持向量機(SVM)算法的基本思想是將二維空間里難以分類的數(shù)據(jù)映射到高維的特征空間中，在特征空間里利用算法求出一個超平面實現(xiàn)數(shù)據(jù)的分類。將思想運用到回歸問題，就是支持向量回歸(SVR)，即找到這樣的超平面，讓所有數(shù)據(jù)點到這個平面的方差最小，這個超平面的函數(shù)就是數(shù)據(jù)內(nèi)在關(guān)聯(lián)的最優(yōu)解。超平面的分類函數(shù)表達式為：

f(x)=ωTx+b

(1)

其中，式(1)中ωTx表示向量ω與向量x的內(nèi)積，b為偏差項。令f(x)=0時定義數(shù)據(jù)點落在超平面上，對于回歸類問題，目標(biāo)函數(shù)可修正為：

(2)

式(2)中‖ω‖表示向量ω的范數(shù)，，c為懲罰參數(shù)，約束條件為：

yi[(w·xi)+b]≥1-εi,i=1,2,…,N

(3)

式(3)中εi(i≥0)為表征誤差大小的松弛變量，通過特定的核函數(shù)，就能夠計算出低維空間向量經(jīng)過映射后在高維空間的向量內(nèi)積值，核函數(shù)定義式為：

K(xi,xj)=φ(xi)T·φ(xj)

(4)

1.1.2SVM建模的方法及步驟

1.1.2.1數(shù)據(jù)集的建立 SVM算法建模是借用數(shù)據(jù)挖掘的思想，利用已有的數(shù)據(jù)劃分出一個“訓(xùn)練數(shù)據(jù)集”，使用算法來解析訓(xùn)練集中的數(shù)據(jù)，提取輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的關(guān)系，構(gòu)建關(guān)聯(lián)模型，進一步利用該關(guān)聯(lián)模型去預(yù)測新的數(shù)據(jù)集的對應(yīng)輸出數(shù)據(jù)。本研究通過收集相關(guān)文獻中的生物質(zhì)熱解數(shù)據(jù)，建立生物質(zhì)熱解產(chǎn)物數(shù)據(jù)庫，為模型建模提供數(shù)據(jù)基礎(chǔ)。利用SVM算法構(gòu)建生物質(zhì)熱解產(chǎn)物的預(yù)測模型，通過分析預(yù)測性能來進行模型評估，利用模型的預(yù)測數(shù)據(jù)為農(nóng)業(yè)園區(qū)廢棄生物質(zhì)利用方案的優(yōu)化提供模型基礎(chǔ)。選取的所有熱解數(shù)據(jù)均取自流化床反應(yīng)器熱解實驗，所有的實驗全部是在純氮氣氣氛下進行反應(yīng)。數(shù)據(jù)庫中輸入數(shù)據(jù)包括部分秸稈類生物質(zhì)的工業(yè)化學(xué)分析、粉碎粒徑和熱解溫度；工業(yè)化學(xué)分析包括水分、灰分、碳、氫、氧、氮的含量；輸出數(shù)據(jù)包括生物炭、生物油以及熱解氣產(chǎn)率。共選取12種農(nóng)業(yè)園區(qū)種常見的秸稈類生物質(zhì)原料，具體見表1。

表1 生物質(zhì)數(shù)據(jù)集Table 1 Biomass data sets

如表1所示，生物質(zhì)數(shù)據(jù)庫共包含108組數(shù)據(jù)，數(shù)據(jù)分成訓(xùn)練集和預(yù)測集用于構(gòu)建模型，將108組數(shù)據(jù)分為84組訓(xùn)練集數(shù)據(jù)和24組預(yù)測集數(shù)據(jù)。

1.1.2.2模型核函數(shù)和參數(shù)的選擇 由于生物質(zhì)熱解過程的非線性化程度較高，核函數(shù)采用徑向基核函數(shù)(RBF)，公式為：

(5)

式(4)中σ2為核函數(shù)的寬度。模型所用SVR方法決策函數(shù)基于超平面函數(shù)模型提出，決策函數(shù)如下：

(6)

經(jīng)多次對秸稈類生物質(zhì)熱解模型進行試驗，對于氣產(chǎn)率模型，設(shè)定懲罰系數(shù)c為55，對于油產(chǎn)率模型，設(shè)定懲罰系數(shù)c為100，對于炭產(chǎn)率模型，設(shè)定懲罰系數(shù)c為95。

1.1.2.3模型的評價 通過引入3種評價指標(biāo)來衡量預(yù)測結(jié)果誤差大小，分別為：平均絕對誤差(MAE)，均方根誤差(RMSE)和皮爾遜相關(guān)系數(shù)(R)。

(7)

(8)

(9)

1.2 農(nóng)業(yè)園區(qū)生物質(zhì)分級利用方案

1.2.1生產(chǎn)流程 基于當(dāng)前農(nóng)業(yè)園區(qū)具體現(xiàn)實以及生物質(zhì)基緩控釋材料制備技術(shù)，構(gòu)建農(nóng)業(yè)園區(qū)生物質(zhì)分級利用方案，如圖1所示。

1.傳送裝置conveyer;2.攪拌器blender;3.焙燒床roasting bed;4.烘干機dryer;5.粉磨機pulverizer;6.燃燒床combustion bed;7.熱解床pyrolysis bed;8.生物油儲存罐bio-oil storage tank;9.一次冷凝器primary condenser;10.二次冷凝器after-condenser;11.反應(yīng)床reaction bed;12.包衣機coating machine;13.大棚greenhouses;14.預(yù)混裝置premixed device;15.農(nóng)田cropland圖1 農(nóng)業(yè)園區(qū)生物質(zhì)分級利用方案專用設(shè)備流程圖Fig.1 Flow chart of special equipment for biomass grading utilization scheme in agricultural park

農(nóng)業(yè)園區(qū)生產(chǎn)過程中產(chǎn)生的秸稈類廢棄物經(jīng)過烘干、碾磨、篩分等預(yù)處理后，進行熱解；得到的熱解氣預(yù)混合后通入燃燒床為熱解反應(yīng)提供能量。生物炭經(jīng)過焙燒活化處理后，與肥料攪拌混合，得到生物炭基緩釋肥料，用于園區(qū)內(nèi)大規(guī)模農(nóng)作物的增產(chǎn)。生物油與異氰酸根化合物反應(yīng)，經(jīng)過有機硅改性處理后轉(zhuǎn)換成控釋膜材，經(jīng)由包衣機噴涂包覆在肥料顆粒表面，得到生物包膜控釋肥料，用于園區(qū)內(nèi)高價值農(nóng)作物的培育。

1.2.2經(jīng)濟可行性分析 在建立的生物質(zhì)熱解產(chǎn)物產(chǎn)率模型的基礎(chǔ)上，討論生物質(zhì)熱解產(chǎn)物分級利用方案的經(jīng)濟可行性。由于實際的經(jīng)濟效益受當(dāng)?shù)卣吆徒?jīng)濟條件的影響，本研究對農(nóng)業(yè)園區(qū)生物質(zhì)分級利用方案的經(jīng)濟性分析將基于中國的背景條件展開，采用成本-效益分析的方法，通過對投資成本、運行成本和經(jīng)營利益進行計算分析，來論證方案的經(jīng)濟可行性。

2 結(jié)果與分析

2.1 熱解產(chǎn)物綜合利用方案評估

2.1.1模型預(yù)測結(jié)果 圖2顯示了生物炭、生物油、熱解氣3者的預(yù)測模型在訓(xùn)練集和預(yù)測集上的輸出結(jié)果比較。數(shù)據(jù)點在圖形對角線上方表示模型計算值大于實驗值，在下方則表示計算值小于實驗值，與對角線的距離大小表明了預(yù)測的精確程度?？梢园l(fā)現(xiàn)，SVM模型在訓(xùn)練集上表現(xiàn)出了較高的精度，輸出數(shù)據(jù)與實際的實驗結(jié)果十分接近，但在預(yù)測集上表現(xiàn)效果相對較差。

a.氣產(chǎn)率gas yield；b.炭產(chǎn)率 char yield；c.油產(chǎn)率 oil yield圖2 基于熱解數(shù)據(jù)庫的熱解產(chǎn)物分布預(yù)測模型Fig.2 Prediction model of pyrolysis product distribution based on pyrolysis database

2.1.2模型精度評價 SVM模型對于各產(chǎn)物產(chǎn)率的性能預(yù)測如表2所示。

表2 熱解產(chǎn)物產(chǎn)率SVM模型預(yù)測性能評價指標(biāo)1)Table 2 SVM model prediction performance evaluation index for pyrolysis product yield

從表2中可以看出，SVM算法的預(yù)測性能均在訓(xùn)練集上表現(xiàn)出較預(yù)測集更高的精度，同時三者的訓(xùn)練集表現(xiàn)結(jié)果相差不大。炭產(chǎn)率的預(yù)測集結(jié)果較氣產(chǎn)率和油產(chǎn)率擁有更好的表現(xiàn)。

Kim[21]通過收集文獻數(shù)據(jù)，基于多元非線性回歸方法建立了生物質(zhì)熱解產(chǎn)物預(yù)測模型，其模型R約為0.78。本研究數(shù)據(jù)在訓(xùn)練集上的R均大于0.994 0，而在預(yù)測集上的R分別為0.941 3、0.932 0和0.888 2，已超過前人模型精度。

圖3顯示了生物炭、生物油、熱解氣三者的預(yù)測模型在訓(xùn)練集和預(yù)測集上絕對誤差的表現(xiàn)。陳星[22]通過使用ANN神經(jīng)網(wǎng)絡(luò)算法和SVM算法對比對生物質(zhì)熱解過程進行對比分析，其計算數(shù)據(jù)在訓(xùn)練集上的絕對誤差在0.5～1.2之間浮動，在預(yù)測集上的絕對誤差在1.7～2.5之間浮動。本研究數(shù)據(jù)在訓(xùn)練集上絕大部分計算值的絕對誤差在0.4以內(nèi)，相對誤差小于0.5%；在預(yù)測集上，大部分計算值的絕對誤差在1.0～3.0間浮動，所有計算值相對誤差均小于12%，與文獻[22]分析結(jié)果精度相當(dāng)。

a.氣產(chǎn)率gas yield；b.炭產(chǎn)率char yield；c.油產(chǎn)率oil yield圖3 熱解產(chǎn)物分布預(yù)測模型Fig.3 Prediction model of pyrolysis product distribution

2.2 項目運行效益分析

2.2.1項目經(jīng)濟性分析 項目所需的設(shè)備總費用為69.75萬元，包含熱解、預(yù)處理、冷凝、加工、輔助等系統(tǒng)設(shè)備。考慮組裝費25萬元、主體設(shè)備69.75萬元、營運資本15.3萬元和不可預(yù)見費14.45萬元[23]等等，初投資共計102萬元[23]。

以系統(tǒng)處理量400 kg/h、系統(tǒng)年運行時長3 000 h為標(biāo)準(zhǔn)，根據(jù)項目運行過程中的耗能、耗材、人力等計算得到項目運行成本和利潤估算結(jié)果如表3所示。表中材料費用及生物炭、生物油產(chǎn)品的價值由采購網(wǎng)統(tǒng)計得到，水電費以江蘇省農(nóng)業(yè)生產(chǎn)水電費用為標(biāo)準(zhǔn)計算，人力費用以南京市近年月平均工資為標(biāo)準(zhǔn)近似取5 000元/(人·月)，其中維護[26]、財務(wù)[23]及材料費用統(tǒng)一計入其他項。

表3 單位處理成本及經(jīng)濟效益Table 3 Unit treatment cost and economic benefit

由表3可知，年處理量1 200 t時，每處理1 t生物質(zhì)，項目的運行費用約為3 090.67 元，產(chǎn)品總凈利潤約42 039.33元，因此該方案切實可行。在補貼項目本身運行成本的同時，理想條件下還能為園區(qū)創(chuàng)收，具備持續(xù)運行的能力。

2.2.2個性化優(yōu)化方案的效益對比 基于生物質(zhì)熱解產(chǎn)物關(guān)聯(lián)模型，可根據(jù)園區(qū)作物種類、秸稈產(chǎn)量、肥料需求量等園區(qū)特性，合理選擇熱解條件，達到經(jīng)濟、環(huán)境效益最大化。例如針對一個種植面積共1 467 400 m2的綜合性農(nóng)業(yè)園區(qū)，包含水稻66 700 m2、小麥66 700 m2、玫瑰266 800 m2、康乃馨266 800 m2、黃瓜400 200 m2、草莓400 200 m2。

該園區(qū)年產(chǎn)水稻秸稈60 t，小麥秸稈40 t，次年需要炭基緩釋復(fù)合肥料7 t、包膜控釋復(fù)合肥料130 t。根據(jù)水稻秸稈及小麥秸稈的熱解模型，設(shè)計優(yōu)化方案，記為方案一(選取小麥秸稈約25.2 t，碾磨成粒徑0.6～0.8 mm的顆粒，在500 ℃下熱解，剩余約85.2 t秸稈進行機械處理)。同時設(shè)計兩個對比方案，記為方案二(選取水稻秸稈約49 t，碾磨成粒徑0.6～0.8 mm的顆粒，在400 ℃下熱解，剩余約51 t秸稈進行機械處理)和方案三(原始的秸稈還田[27]方案，共需處理秸稈100 t)。3種方案的經(jīng)濟效益對比結(jié)果如表4所示。

表4 經(jīng)濟效益對比分析Table 4 Comparative analysis of economic benefits ×104元yuan

由表4可知，在此案例中，通過本項目的實施，園區(qū)在秸稈處理及肥料進購方面的開銷可直接減少108.76萬元，采取基于熱解數(shù)據(jù)庫和關(guān)聯(lián)模型設(shè)計的優(yōu)化方案可比普通方案進一步減少開銷約8.67萬元，即使用本項目后，在秸稈處理和肥料采買項目上，園區(qū)可節(jié)省相關(guān)支出近30%，采取優(yōu)化方案可在此基礎(chǔ)上再減少支出近4%。因此整體方案切實可行，優(yōu)化方案的優(yōu)化效果比較明顯。

3 結(jié) 論

3.1對于生物質(zhì)熱解預(yù)測模型，SVM算法在訓(xùn)練集上的表現(xiàn)較為良好，但在預(yù)測集上還有進步空間，相較前人方法已經(jīng)有了較大的改善。SVM算法通過引入松弛變量和懲罰系數(shù)，在小樣本、非線性化嚴(yán)重的情況下表現(xiàn)良好，預(yù)測精度較高，通過該算法構(gòu)建的模型具有一定的可信度,實現(xiàn)了對熱解產(chǎn)物與生物質(zhì)原料特性、熱解條件的深層關(guān)聯(lián)的探究。

3.2與傳統(tǒng)秸稈還田方案相比，改良方案能夠處理掉25%～50%的還田秸稈，同時在園區(qū)秸稈處理和肥料采買項目上可節(jié)省支出近30%，通過SVM算法建立生物質(zhì)熱解產(chǎn)物模型，在方案基礎(chǔ)上進一步優(yōu)化方案，優(yōu)化后方案在基礎(chǔ)上再減少相關(guān)支出近4%。