基于可解释人工智能的旋转填充床中碳酸酐酶强化CO2 捕集数据驱动建模研究

为解决传统CO2 捕集技术能效低的问题，研究人员采用LightGBM机器学习框架和SHAP可解释性分析，建立了旋转填充床(RPB)中碳酸酐酶(CA)强化MDEA溶液吸收CO2 的预测模型。该模型平均R2 达0.98，揭示CA可使吸收效率提升245.87%，为下一代碳捕集系统优化提供了数据支撑。

　　

随着全球碳中和目标的推进，CO₂
捕集技术面临效率与能耗的双重挑战。传统吸收塔存在设备庞大、传质效率低等瓶颈，而新兴的旋转填充床(RPB)技术通过离心力强化传质，结合碳酸酐酶(CA)的生物催化作用，有望实现过程强化。然而，RPB-CA系统的复杂多参数交互机制尚未明确，亟需建立精准的预测模型指导工艺优化。

研究团队创新性地采用梯度提升框架LightGBM构建数据驱动模型，通过Optuna超参数优化和5折交叉验证确保模型可靠性。利用SHAP可解释性分析量化了CA、液气比(L/G)等关键参数的影响权重，并通过主动学习策略指导实验设计，显著减少所需实验次数。

3.1 超参数调优
通过Optuna框架的200次迭代优化，确定最优参数组合如num_leaves=69、learning_rate=0.039等，使模型交叉验证均方误差降低至0.292。

3.2 模型性能验证
模型在测试集表现优异(R²
=0.984)，残差分析显示符合正态分布(p=0.3382)。与动力学模型对比，其平均绝对误差降低23.5%，尤其在CA存在条件下预测更精准。

3.3 特征重要性解析
SHAP分析表明CA贡献度达50.73%，其与转速的交互作用显著。NC1116填料因较大孔径(1.4mm)更利于酶作用，使吸收效率较NCX2733提高17%。

3.5 操作分析
模拟显示20m³
/h流量下，CA使MDEA溶液CO₂
负载率从2.24%提升至6.02%，最大增效达245.87%。但随流量增大，酶催化优势略有减弱。

该研究首次将可解释AI引入酶强化碳捕集系统建模，不仅证实CA-RPB协同增效的可行性，更通过SHAP量化了各参数贡献度。提出的主动学习策略将实验量减少50%，为复杂化工系统的高效优化提供了范式。未来可拓展至酶稳定性预测及抗 flooding 工况建模，推动生物-物理耦合碳捕集技术的工业化应用。