多站点排放控制：基于物理信息迁移学习的混合专家框架用于碳排放协同
机器学习
2026-05-29 v2 化学物理
数据分析、统计与概率
摘要
城市固体废物焚烧（MSWI）将城市废物转化为能源，同时释放二氧化碳、一氧化碳和多种受监管的空气污染物，其形成紧密耦合于单一燃烧系统。针对不同设施网络中的排放控制面临的根本不同挑战在于：数据驱动模型在单一站点训练捕获的局部统计模式难以迁移到其他站点，因为缺乏所需的物理约束和制度层次结构。本文表明，在处理物理守恒律、操作制度异质性和碳排放耦合时，可在异构MSWI工厂之间识别出共享的排放控制关系。我们开发了碳排放混合专家模型（CPMoE），在守恒条件约束下将过程观测路由到制度特定的专家网络，并结合物理信息迁移学习将参考模型适配至新设施。跨13个站点，CPMoE预测六大污染物及系统级复合风险指数，其源域R2为0.668-0.904，0.666-0.970；迁移至12个目标设施后，这些值分别保持在0.661-0.842和0.610-0.841。专家利用模式显示，适应过程通过结构化的制度重新加权实现，而非从零重新学习。在离线数字孪生体中嵌入迁移模型，对历史工艺记录筛选候选操作调整，可实现3.6-6.3%的风险指数持续降低，并在94-100%的评估样本中实现污染物协同减排。这些发现表明，物理信息迁移学习与混合专家框架为异构废物转能源网络中的碳排放协同控制提供了一条实用的可迁移系统决策支持之路。
引用
@article{arxiv.2604.26571,
title = {Advancing multi-site emission control: A physics-informed transfer learning framework with mixture of experts for carbon-pollutant synergy},
author = {Yuxuan Ying and Hanqing Yang and Kaige Wang and Yu Hu and Zhiming Zheng and Yunliang Jiang and Xiaoqing Lin and Xiaodong Li and Jun Chen},
journal= {arXiv preprint arXiv:2604.26571},
year = {2026}
}
备注
Supplementary materials will be released after the final version is finalized