全球社会、商业和经济的增长需要大量的能源，这引发了环境和能源短缺问题[1,2]。能源的大量消耗导致了严重的环境后果[3]。从废弃生物质中提取的可再生能源（生物油）成为缓解这些负面影响的潜在候选方案[4],[5],[6]。早在2020年，中国就已经制定了双碳战略目标，并将2060年定为实现净零目标的最后期限[7],[8],[9]。作为唯一的零碳可再生能源，生物质已成为石油燃料的替代品[10,11]。热解是一种有前景的热化学技术，可将废弃生物质转化为高价值的油类产品，用于各种平台化学品和润滑油[12],[13],[14]。然而，生物质中较高的氧含量和较低的氢含量导致油品质量较差，表现为酸性、极性强和粘度大，从而阻碍了油品的工业化[15,16]。
塑料在包装、建筑和化工行业中有广泛的应用[17],[18],[19]。随着传染病的持续蔓延，对一次性医用塑料的需求增加，使得处理塑料废物的挑战更加严峻，因为这些塑料具有生物危害性和不可生物降解性[20,21]。塑料和废弃生物质的共热解已被证明是提升油品质量的有效方法[22],[23],[24]。此外，通过共热解过程可以缓解塑料熔化过程中遇到的高粘度问题[25,26]。许多因素，包括热解温度、加热速率、停留时间和催化剂特性，都会影响废弃生物质和塑料共热解过程中油的物理性质和产率[22],[27],[28],[29],[30],[31],[32],[33]。原料组成和热解温度对过程及最终油品性质有显著影响[34],[35],[36]。催化剂能有效降低反应活化能，从而提高反应活性并提高热解产率[37],[38],[39]。通常，多孔沸石催化剂（如天然沸石、FCC催化剂、ZSM-5等）具有出色的形状选择性和催化脱氧能力，能够有效地将液相挥发性物质转化为高价值的单环芳烃[40],[41],[42],[43]。然而，由于反应动力学和原料相互作用的复杂性，准确描述催化共热解过程中油品组成的演变规律仍然具有挑战性。机器学习是解决这一问题的有效方法。
近年来，机器学习（ML）在生物质-塑料废弃物的协同增值中的应用受到了广泛关注，成为跨多个科学和工业领域的变革性范式，尤其是在集成机器学习领域。支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）、梯度提升决策树（GBDT）、极端梯度提升（XGBoost）和轻量级梯度提升机常被用于模拟热解过程[44,45]。随机森林是一种集成方法，通过装袋技术结合多棵决策树，具有高准确性、抗过拟合能力、内置的特征重要性以及对噪声和异常值的鲁棒性，使其成为一种强大且通用的“即用型”模型。虽然基于神经网络的方法被用于开发生物质-塑料共热解的新经验模型，但由于实验方法和数据收集方法的差异，其在预测废弃塑料/生物质混合过程中的协同效应方面的准确性仍有限。基于机器学习的模型通过超参数优化了生物质和塑料共热解的产率预测[46]。XGBoost在预测生物质和塑料废弃物的协同效应方面的准确率为0.86-0.90[47]。通过引入三组分热解数据，基于深度神经网络（DNN）和轻量级梯度提升机的机器学习模型也被开发出来用于预测生物油产率[48]。上述研究均未考虑共热解过程中的能源消耗和污染物排放。如果能够将机器学习和生命周期评估（LCA）方法结合起来，实现生物质-塑料废弃物的协同价值提升，必将加速双碳目标的实现。
生命周期评估（LCA）为评估热解油生产的环境影响提供了全面的框架，从原料采购（废弃生物质和塑料）到热解转化直至最终应用[49]。研究表明，来自农业残留物的热解油的碳足迹比化石燃料低30-50%，而基于塑料的变体由于预处理过程表现出更高的富营养化潜力[50]。影响LCA结果的关键因素包括热解温度、催化剂使用和地区能源结构[51]。LCA分析有助于优化工艺参数，提高循环经济系统的可持续性。
在本研究中，我们使用了四种机器学习方法来优化生物质和塑料共热解的制备参数并筛选催化剂，并通过生命周期评估来量化评估利用废弃生物质和塑料的环境影响。开发并优化了一系列机器学习模型，包括SVM、RF、ANN、XGBoost和GBDT，以预测催化共热解过程中的能量转化（产油）产率和选择性。我们采用了一系列数据探索性分析和预处理技术来揭示数据集中的潜在模式，并为后续建模过程提供先验知识。此外，我们还考虑了LCA过程中的能源和物质输入以及温室气体（CO?当量）排放和环境影响。
