烘焙实验不再靠穷举：高斯过程主动学习挑出10组条件，覆盖温和与深度两段区间
核心概要
生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。
深度剖析
烘焙实验的下一步条件可以由模型主动挑出，而不必按预设网格逐点铺开。 此前的烘焙建模多只追求预测精度，少数贝叶斯优化尝试没有同时纳入批次多样性、多目标采集和不确定性校准。 在486条观测上做5折交叉验证，高斯过程回归的R²为0.854（质量产率）、0.971（高位热值）、0.869（能量产率），同一划分下随机森林为0.651、0.808、0.610，支持向量回归和单隐层神经网络更低。
推荐批次由三个归一化分量加权打分，再按距离惩罚逐个补足。 采集函数把预测方差、质量产率的期望改进和高位热值的期望改进分别归一化后按0.4、0.3、0.3相加，能量产率作为派生量不单设期望改进项。 候选池由温度–停留时间10×10网格加500个拉丁超立方采样点组成，共600个候选；批次选择用序贯贪心算法，多样性权重取0.3，选出10组实验，温度200–315 °C、停留时间30–1089 s。
模型给出的不确定性经过交叉验证校准，质量产率与能量产率的覆盖率接近名义水平。 烘焙文献此前没有报告过高斯过程预测不确定性的校准情况。 用5折交叉验证的标准化残差检验，落在95%可信区间内的比例分别为质量产率93.2%、能量产率95.1%、高位热值99.8%，后者偏保守。
启示与展望
推荐批次限定在常规烘焙窗口内：温度200–320 °C、停留时间不低于30 s，候选空间把灰分、挥发分和固定碳固定在训练集的中位数，因此结论对应单一原料组成。10组推荐条件分布在温和段（200–215 °C）与深度段（302–315 °C）两个簇，预测质量产率分别约为65–75%和45–55%，高位热值分别约为20–23和26–28 MJ kg⁻¹。作者计划在后续研究中加入迭代实验反馈并对推荐点做实验验证。
高位热值模型的预测区间偏保守，99.8%的覆盖率高于名义95%，作者将其归因于该目标精度很高时边际似然优化放大了长度尺度或噪声方差。能量产率没有单独的期望改进项，只通过不确定性分量间接体现。近邻分析变量在训练集中变异性有限，其低重要性可能部分来自这一原因。当前设计是单步的，推荐批次基于初始训练集，尚未经过迭代更新。