基于机器学习的生物炭CO2吸附性能预测模型构建与机制解析

为突破传统实验方法在生物炭CO2吸附研究中的效率瓶颈，哈尔滨理工大学团队创新性地以活化条件为输入特征，采用DNN、RF、GBDT、XGB和LGBM算法构建预测模型。研究发现LGBM模型表现最优（R2=0.956），揭示活化温度和保护气流速是关键影响因素，为碳捕集技术(CCS)优化提供了新范式。

　　

随着全球工业化进程加速，化石燃料消耗导致大气CO₂浓度激增，预计205年将达到898 mg/m³。碳捕集与封存(CCS)技术中，生物炭因其稳定性和吸附潜力成为研究热点，但传统实验方法存在耗时耗力、成本高昂等局限。哈尔滨理工大学研究团队在《Biomass and Bioenergy》发表论文，首次将活化条件（活化剂类型、温度、时间等）与生物炭结构特性、元素组成等参数结合，运用五种机器学习算法建立CO₂吸附预测模型，为高效筛选吸附材料提供了新思路。

研究采用169组实验数据，涵盖15种生物质样本的化学活化（KOH、ZnCl₂等）与物理活化过程。通过特征组合对比和SHAP值分析，发现保留全部活化条件的LGBM模型预测性能最优，其R²达0.956，显著优于前人研究（Yuan等报道GBDT模型R²=0.84）。技术路线包含：1）数据特征分析（小提琴图可视化）；2）七种输入特征组合对比；3）基于SHAP的可解释性分析。

【数据特征分析】
通过标准化处理和概率密度分布展示，发现活化温度（400-900°C）与CO₂吸附量呈非线性关系，而保护气流速存在阈值效应。

【模型性能对比】
LGBM在测试集表现突出（MAE=0.245，RMSE=0.350），较传统GBDT模型误差降低18%。特征重要性排序显示：活化温度（贡献度32%）>保护气流速（28%）>活化剂类型（19%）>活化比例（15%）>活化时间（6%）。

【机制探讨】
SHAP分析揭示高温活化促进微孔形成（比表面积增加），而适量保护气可防止孔道坍塌。这与Zhu等关于多孔碳材料的研究形成互补，证实活化条件通过改变表面官能团和矿物含量间接影响吸附性能。

该研究创新性地将活化条件参数化，突破了既往模型仅依赖结构参数的局限。提出的LGBM预测框架可指导生物炭定向改性，对实现《巴黎协定》温控目标具有实践意义。未来研究可拓展至混合活化工艺和动态吸附条件预测，进一步推动CCS技术产业化应用。