近日，南京农业大学工学院李坤权教授课题组在国际权威期刊《Bioresource Technology》（TOP5%，南农A类期刊）上发表题为 “Real-time process design enabled by an interpretable GBDT model for high-fidelity prediction of pyrolysis products from crop residues” 的研究性文章。该研究构建了可解释机器学习与响应面方法相结合的一体化框架，系统揭示了作物残体热解过程中多因素非线性耦合机制，实现了产物分布的高精度预测与定向调控，为生物质热转化的高效利用与工业化应用提供了全新解决方案。
作物残体热解是实现可持续碳循环的重要途径，但其产物（生物炭、生物油、气体）分布受原料异质性和工艺参数的复杂影响，传统模型难以实现精准预测与高效调控，成为制约工业化应用的核心瓶颈。针对这一问题，课题组系统整合梯度提升决策树（GBDT）、贝叶斯超参数优化、SHAP解释性分析和响应面方法（RSM），建立了兼具高精度预测与机制解析能力的智能调控体系。
研究基于28种作物残体的265组实验数据，经贝叶斯优化（Optuna框架）的GBDT模型展现出卓越的预测性能，对生物炭、生物油和气体产率的测试集决定系数（R²）均超过0.89，其中生物油和气体产率预测精度更是高达0.94和0.95。通过SHAP分析和部分依赖图（PDP），课题组首次明确氧碳比（O/C）是调控产物分布的关键阈值因子 —— 当O/C>0.4时，热解过程从生物油保留主导转向气化主导；灰分中的碱金属氧化物（如K2O）则通过催化二次裂解显著降低生物油产率，而热解温度直接决定反应路径的选择。
基于模型解析的机制insights，课题组进一步建立了三产物定向优化的工艺窗口：300℃、12℃/min的低温慢速热解可最大化生物炭产率；523℃、79℃/min的中温中速热解适合生物油制备；713℃、103℃/min的高温快速热解则能高效生产气体产物。为推动技术落地，课题组开发了基于Streamlit平台的在线预测工具，实现热解参数的实时智能调控，预测误差率低于10%，成功搭建了理论模型与工业应用之间的桥梁。
该研究的创新之处在于突破了传统线性模型的局限，不仅实现了多因素耦合下热解产物的高精度预测，更通过可解释AI技术揭示了关键调控机制，提出的 “分产物定向优化” 策略为生物质资源化利用提供了科学指导。研究成果既为作物残体的高值化转化提供了技术支撑，也为复杂热化学过程的智能设计开辟了新路径。
南京农业大学为本文唯一通讯单位，工学院黄维园硕士为第一作者，李坤权教授为通讯作者，苗胜盛博士为主要研究参与者。该研究得到江苏省自然科学基金、中央高校基本科研业务费、国家自然科学基金等项目的联合资助。
