近日，土木工程学院王汉青教授团队在农林科学领域中科院一区TOP期刊《Industrial Crops and Products》上发表题为“Machine learning prediction of bio-polyol yields and hydroxyl values from acid-catalyzed liquefaction of lignocellulosic biomass”的研究论文，文章首次提出了一种基于机器学习算法的木质纤维素生物质转化过程与产物的快速准确预测方法。
随着对替代石油资源和减少碳排放需求的不断增长，木质纤维素生物质转化为高附加值化学品的研究日益受到关注。利用常压酸催化液化技术基于木质纤维素生物质制备的生物基多元醇，显示出替代石油基多元醇在聚氨酯（PU）材料合成中的潜力，成为学术和工业研究领域的热点。然而，由于在生物质原料的快速准确筛选、不同生物质转化过程的全面理解以及产物产量和性质（羟值等）的快速预测等方面存在一系列难题，限制了生物基多元醇的工业化应用。
本研究首次利用机器学习方法深入分析木质纤维素生物质的酸催化液化过程，实现了对生物多元醇的产率和羟值的预测和表征。研究发现：（1）贝叶斯优化算法（BOA）耦合梯度提升回归（GBR）模型在预测生物多元醇的产率和羟值方面具有较好的准确性，其训练集的决定系数（R2）分别为0.82和0.91；（2）对产率影响最大的因素是反应时间（15.1%）、木质素含量（13.1%）和辅助液化试剂（甘油）质量（12%），而对羟值影响最大的因素是甘油质量（28.9%）、原料粒径（15.1%）和液固比（11.1%）。研究利用累积局部效应（ALE）分析揭示了原料组成和液化条件之间复杂的相互作用机制。结果表明：最优预测模型具有优异的泛化能力，平均绝对百分比误差（MAPE）为9.18%，预测精度优于现有类似生物质转化过程预测模型。同时，利用该模型开发了一个用户友好的软件包，可以快速、准确地预测木质纤维素生物质转化过程。这项研究为生物基多元醇的低成本工业生产提供了新的视角，有望促进其在工业应用中的进一步发展。
林业工程专业2021级博士生吴松林为该论文第一作者，王汉青教授为通讯作者。本研究得到了国家自然科学基金、湖南省研究生创新基金的资助。
