隨著化石能源枯竭與氣候變化加劇，生物質能作為可再生碳源成為研究熱點。指黍（Eleusine coracana）秸稈（FMS）作為農業廢棄物，其熱解轉化潛力尚未充分挖掘�，F有研究多局限于單一動力學模型，且缺乏機器學習預測手段。印度作為全球第二大農業國，年產6.5億噸農業殘渣，FMS的殘留物與產物比（RPR）達1.3，但僅有兩篇文獻涉及FMS熱解，且未系統整合模型自由/擬合方法或機器學習應用。為此，印度研究人員通過多方法聯用與人工神經網絡（ANN）建模，填補了這一空白。

研究采用熱重分析（TGA）在非等溫條件下解析FMS熱解行為，結合Kissinger-Akahira-Sunose（KAS）、Flynn-Wall-Ozawa（FWO）、Friedman等5種模型自由方法和分布式活化能模型（DAEM）進行動力學分析，并通過主曲線（master plots）判定反應機制。ANN模型以溫度、升溫速率為輸入，預測重量損失。

Feedstock collection, characterization, and thermogravimetric experiments
FMS采自印度Nagpur，經粉碎篩分（<250 μm）后，ASTM標準分析顯示其纖維素+半纖維素含量達60.91%，固定碳16.81%，水分僅5.9%，表明其適于熱解。TGA顯示主要失重（70–76%）發生于147–500°C。

Characterization of finger millet straw
低灰分（8.5%）與高揮發分（75.3%）凸顯FMS能源潛力。元素分析顯示O/C比0.58，H/C比1.58，預示較高生物油產率。

Conclusions
六種方法所得平均活化能（167–175 kJ/mol）無顯著差異（ANOVA驗證）。主曲線表明α<0.5時遵循一級反應（R1），α>0.5時符合二維擴散（D2）與Ginstling-Brounshtein（D4）模型。熱力學參數ΔH≈164 kJ/mol、ΔG≈169 kJ/mol證實過程可行性。ANN模型測試集R²達0.994，均方誤差僅0.684，顯著優于傳統方法。

該研究首次系統整合多尺度動力學方法與機器學習，為FMS熱解工藝優化與反應器設計提供理論依據。印度豐富的FMS資源（年產1.89百萬噸）可通過該技術實現增值轉化，助力碳中和目標。論文發表于《Bioresource Technology Reports》，作者Ankita Tagade等強調該方法可擴展至其他生物質研究，推動可再生能源技術發展。