感应加热驱动的蒸汽甲烷重整制氢产量预测：一种混合贝叶斯神经网络的应用

《Hydrogen》：Predicting Hydrogen Production from Steam Methane Reforming Powered by Induction Heating: An Application of a Hybrid Bayesian Neural Network

　　

感应加热驱动的蒸汽甲烷重整（SMR）为低CO₂排放的氢气生产提供了一条有前景的路径，但由于可用的实验数据有限且异质，预测建模仍具挑战性。本研究提出了一种混合贝叶斯神经网络（H-BNN），用于从文献来源的SMR数据中预测氢气质量（MoH），使用的操作变量包括温度、流速、功率输入、运行时间和间隔时长。研究人员还开发了前馈神经网络（FNN）和经典贝叶斯神经网络（BNN）作为基准，并使用ReLU、Tanh和GELU激活函数评估了所有三种架构。为解决数据稀缺问题，仅对训练集进行了缩放因子k=2、5和10的数据增强，而验证集和测试集保持不变。H-BNN结合了确定性特征提取与贝叶斯不确定性感知预测，实现了准确性与不确定性表示之间的平衡。在验证选定的模型中，测试性能达到R² ～ 0.9894至0.9969，平均绝对误差为0.0126 g至0.0217 g。最显著的优势出现在k=2时，此时H-BNN优于基准模型。总体而言，所提出的H-BNN是在数据稀缺条件下进行氢气预测的有前景的框架，尽管其预测区间仍具有参考价值而非完全校准。

全球对氢气的需求持续增长，特别是作为清洁能源载体在工业、化工和交通领域的脱碳潜力备受关注。然而，目前约75%的氢气通过蒸汽甲烷重整（Steam Methane Reforming, SMR）生产，该过程依赖化石燃料并排放大量CO₂，约占全球CO₂排放的3%。感应加热（Induction Heating, IH）驱动的SMR可在降低碳排放的同时维持高温反应条件，但受限于实验数据的异质性和稀缺性，传统建模方法难以准确预测氢气产量。针对这一问题，研究人员提出了一种混合贝叶斯神经网络（Hybrid Bayesian Neural Network, H-BNN），旨在从文献来源的有限数据中预测氢气质量（Mass of Hydrogen, MoH），并与前馈神经网络（Feedforward Neural Network, FNN）和经典贝叶斯神经网络（Bayesian Neural Network, BNN）进行性能对比。该研究通过数据增强技术缓解数据稀缺，证明H-BNN在低数据条件下具有显著优势，为感应加热SMR的工艺优化和能耗评估提供了可靠工具。论文发表在《Hydrogen》。

**【关键技术方法概述】**
研究人员从表2所列的多项文献中提取了感应加热SMR实验数据，包含107行、15列观测值。通过数学推导（公式7–30）将原始变量转化为累计氢气产量、氢气产率（Hydrogen Yield, YH₂）和单位能耗（Specific Energy Consumption, SEC）等衍生特征。最终选定6个输入变量：温度（T）、压力（P）、流速（F）、氢气产率（Y）、功率输入（p）和运行时间（Time on Stream, TOS），输出变量为MoH。采用自举高斯抖动（bootstrap-based Gaussian jittering）对训练集（70%）进行k=2、5、10倍数据增强，验证集（15%）和测试集（15%）保持不变。神经网络架构为六输入、隐藏层256-128-64、单输出，使用GELU激活函数（经超参数搜索确定），并通过蒙特卡洛Dropout（Monte Carlo Dropout）实现贝叶斯不确定性近似。模型在本地（Intel Core Ultra 7、32GB RAM、NVIDIA RTX 4050）和Google Colab（PyTorch, CUDA）上训练，采用均方误差损失与KL散度正则化（变分推断框架）。

**【研究结果】**

**1. 初步数据分析**
相关性分析（表5）显示：氢气产率（YH₂）与单位能耗（SEC）呈强负相关（ρ ≈ –0.831），表明提高甲烷转化效率可显著降低能耗；磁通密度（B）在21–30 mT范围内时SEC最低（表6），为感应加热优化提供参考。数据集中的SEC普遍高于工业基准，主要归因于小规模实验中的热损失、催化剂失活及未转化甲烷。

**2. 模型训练与总体性能**
H-BNN、FNN和BNN在三种数据增强尺度（k=2、5、10）上均收敛，但H-BNN的损失曲线表现出更大噪声，反映了其学习均值和不确定性的复杂性。验证集选择的最佳模型显示：H-BNN在测试集上达到R² ≈ 0.9894–0.9969，MAE = 0.0126–0.0217 g，整体优于FNN和BNN。

**3. 不同数据增强尺度下的对比**
- **k=2（低数据条件）**：H-BNN（GELU）的MAE = 0.0126 g，MSE = 0.0004 g²，R² = 0.9969，95%预测区间覆盖率为89.1%。FNN（ReLU）和BNN（ReLU）的R²分别为0.9873和0.9857，H-BNN优势最显著。
- **k=5**：H-BNN（Tanh）MAE = 0.0207 g，MSE = 0.0010 g²，R² = 0.9894，覆盖率84.8%；FNN（ReLU）R² = 0.985通，BNN（ReLU）R² = 0.9842，H-BNN仍领先但差距缩小。
- **k=10**：H-BNN（Tanh）MAE = 0.0217 g，MSE = 0.0011 g²，R² = 0.9921，覆盖率91.8%；FNN（GELU）R² = 0.9904，BNN（GELU）R² = 0.9826，H-BNN保持最优，但边际改善较小。
所有尺度下，H-BNN的奇偶图（parity plot）最接近理想对角线，低MoH区域预测保真度亦最高。

**4. 后处理结果与物理一致性**
表8显示，H-BNN对MoH的预测值与真实值非常接近（如操作条件1：真实值0.0382 g，预测值0.0378–0.0383 g）。氢气产率（YH₂）预测值略高于实际值，单位能耗（SEC）预测值略低于实际值，表明模型倾向于预测更高的转化效率与更低的能耗，但整体趋势与物理规律一致。该一致性在k=2时最为牢固，证明H-BNN在数据稀缺下的鲁棒性。

**【结论与讨论】**
**结论翻译**：本研究引入了一种混合贝叶斯神经网络（H-BNN），用于从文献来源的有限且异质数据中预测氢气产量。模型在温度、流速、催化剂/床层装载量、功率输入和运行时间等关键变量上训练，实现了准确的氢气质量（MoH）预测。在不同数据增强尺度下，H-BNN提供了稳健的点预测，其中在低数据条件（k=2）下优势最显著。验证选定模型的R²值分别约为0.997（k=2）、0.989（k=5）和0.992（k=10），MAE值分别为0.0126 g、0.0207 g和0.0217 g。这些结果证实了H-BNN在数据稀缺条件下预测氢气产量的有效性，尤其优于基准FNN和BNN模型。然而，尽管H-BNN相对于经典BNN改进了预测不确定性表示，其预测区间仍低于名义校准水平，应视为具有参考价值而非完全校准。最后，H-BNN中的蒙特卡洛Dropout组件捕获了预测不确定性，为数据驱动推断提供了有价值的基础。后处理结果表明，H-BNN不仅能准确预测MoH，还能恢复氢气产率和单位能耗的物理意义趋势。因此，根据可用数据集的性质和规模，该模型可扩展至预测其他输出变量（如SEC和排放相关指标），用于感应加热驱动的蒸汽甲烷重整场景。