原文链接：https://doi.org/10.1016/j.gce.2026.09.004

文章导读

生物质高位热值、反应焓、熵、吉布斯自由能和化学㶲等热化学性质，是开展生物质转化过程可行性分析、工程设计与数值模拟的重要基础数据。然而，传统实验测定通常成本较高、周期较长，而经验关联式又往往受原料类型和数据范围限制。对于组成复杂、氧含量和灰分差异显著的生物质原料，如何快速、准确地获取关键热化学性质，仍是生物质资源化利用中的重要基础问题。

针对上述问题，南京工业大学朱家华教授团队从生物质元素组成与热化学本质出发，根据碳、氢、氧、氮、硫、磷等元素的可获得电子数构建“还原度”热力学描述符，并将热力学方程、机器学习与智能计算平台相结合，形成知识引导的生物质热力学性质预测框架。该框架能够由基础元素组成快速推算多种关键热化学性质，并进一步通过数据增强与机器学习提高预测精度和适用范围。文章发表在Green Chemical Engineering (GreenChE)，题为“A knowledge-guided prediction of biomass thermodynamic properties integrating intelligent platform and machine learning”。

研究亮点

● 构建具有明确热化学意义的还原度描述符，提高机器学习模型对生物质热化学性质的表征与预测能力。

● 开发生物质热力学智能计算平台，实现多种关键热化学参数的快速计算与批量数据生成。

● 基于元素分析即可实现多种热化学性质的高精度预测，模型测试集平均R²高于0.960。

内容概述

研究首先基于生物质可获得电子数构建还原度热力学描述符，并进一步考虑灰分影响，建立高位热值关联预测方法。在此基础上，将高位热值与标准热力学关系相结合，进一步实现反应焓、熵、吉布斯自由能和化学㶲等热化学参数的连续推算。随后，将还原度描述符引入机器学习模型，构建“热力学知识-数据增强-机器学习”一体化预测框架，从而实现生物质基础热化学数据的高效获取，研究思路如图1所示。

图1. 研究思路图。

为验证所构建热力学计算框架的可靠性，研究以化学㶲为代表性热化学性质开展独立验证。结果表明，在引入灰分修正后，计算值与参考值之间的一致性明显提高：R²由0.740提高至0.952，RMSE由2.226降低至0.884，MAE由1.763降低至0.866。说明将还原度与灰分信息耦合后，能够更准确地表征不同生物质原料之间的热化学差异，为后续多参数预测提供可靠基础。

图2. 生物质热力学参数计算框架及化学㶲预测效果：（a）生物质热化学性质计算框架；（b）化学㶲预测结果；（c）灰分修正后的化学㶲预测结果。

在机器学习建模方面，研究比较了多种代表性算法对高位热值的预测性能。结果显示(图3a)，机器学习模型整体能够更有效地捕捉元素组成、灰分与高位热值之间的复杂非线性关系，其中RF模型表现最优，测试集决定系数达到0.973，均方根误差和平均绝对误差分别为0.680和0.487。

图3. 机器学习模型对生物质热化学性质的预测。（a）不同机器学习模型对高位热值的预测性能比较；还原度增强RF模型对 （b）Δ_rH⁰；（c）S⁰；（d）Δ_rS⁰；（e）Δ_rG⁰；（f）化学㶲;（g）HHV热化学性质的预测。

在此基础上，研究进一步将还原度作为具有物理意义的热力学描述符引入随机森林模型。与仅使用灰分及元素组成作为输入相比，引入还原度后，多种热化学性质的预测性能均得到进一步提升。以反应焓为例，测试集MAE由0.487降低至0.288。结果表明，还原度虽然来源于元素组成，但能够将分散的元素信息转化为更具热化学意义的综合表征，从而帮助模型更有效地学习生物质组成与热化学性质之间的内在关系。

图4. 还原度机器学习模型的特征贡献分析：（a）Δ_rH⁰；（b）S⁰；（c）Δ_rS⁰；（d）Δ_rG⁰；（e）化学㶲；（f）HHV。

进一步通过SHAP分析和RF模型特征重要性分析，揭示了不同组成变量对生物质热化学性质预测结果的影响规律。总体而言，碳、氢和氧是最具影响力的元素特征：碳对反应焓、吉布斯自由能、化学㶲和高位热值的影响最为显著，氢和氧则对熵及反应熵的预测贡献更为突出。这一结果与生物质热化学本质相一致，也说明知识引导的机器学习框架不仅能够获得较高预测精度，还能够提供具有物理意义的模型解释。

总结与展望

本研究构建了融合热力学计算、智能平台与机器学习的知识引导预测框架。基于还原度描述符，可由生物质元素组成快速推算高位热值、反应焓、熵、吉布斯自由能和化学㶲等关键热化学性质；结合虚拟生物质数据增强，有效拓展了原料组成空间；进一步引入机器学习，实现了多种热化学性质的高精度预测，测试集平均R²高于0.960。该研究为生物质热力学数据库的持续扩展与智能预测提供了可推广的方法，也为后续生物质转化过程模拟、优化与工程设计提供了更加便捷的数据基础。

作者简介

朱家华，南京工业大学材料化学工程国家重点实验室教授、博士生导师，国家级海外引进青年人才，江苏省双创团队领军人才。朱家华教授长期致力于生物质资源化利用的研究，已发表论文230余篇，被引用超过17000次，H因子为74，并拥有授权专利10余项。2025年获中国化工学会“基础研究成果奖”一等奖，2024年获国际先进材料学会会士Fellow of International Association of Advanced Materials，2021获“侯德榜化工科学技术奖-青年奖”，2017年获国际聚合物加工协会“Early Career Award”和国际电化学协会电沉积分会“Early Career Investigator Award”，2015年获TMS协会功能材料分会“Young Leader Development Award”等多项奖励。

文章信息

P. Jiang, J. Li, Y. Zhang, W. She, C. Wang, Y. Fang, M. Chen, H. Lin, T. Ji, L. Mu, X. Lu, J. Zhu, A knowledge-guided prediction of biomass thermodynamic properties integrating intelligent platform and machine learning, Green Chem. Eng., https://doi.org/10.1016/j.gce.2026.09.004 (2026).

撰稿：原文作者

编辑：GreenChE编辑部

【期刊简介】

Green Chemical Engineering（GreenChE）于2019年入选“中国科技期刊卓越行动计划高起点新刊”，2020年9月正式创刊，最新影响因子11.9，位列Q1区，最新CiteScore为18.5，目前已被ESCI、EI、DOAJ、Scopus和CSCD等多个权威数据库收录。GreenChE以绿色化工为学科基础，聚焦"绿色"，立足"工程" ，注重绿色化学、绿色化工及其交叉领域的前沿问题，紧紧围绕低碳化、清洁化和节能化的发展要求。目前是对读者和作者双向免费的开源期刊。

竭诚欢迎各位老师同学积极投稿！

E-mail: gce@ipe.ac.cn

Tel: 86-10-82544856

Web: http://www.keaipublishing.com/gce

微信公众号: GreenChemEng

Twitter: GreenChE

Facebook: Journal Greenche

科学网: GreenChE

关注我们，获取最新绿色化学工程资讯。

支持单位：