多场景条件下生物炭CO2吸附分离能力的可解释机器学习分析与分子机制研究

推荐：本研究针对工业多源CO2排放场景中生物炭孔隙结构与化学官能团的动态匹配问题，采用XGBoost算法构建CO2/N2/CH4吸附预测模型，结合SHAP值解析发现：0.4-0.6 nm孔隙主导低压吸附，氮官能团决定CO2/N2选择性。该研究为定向设计碳基吸附材料提供理论支撑。

　　

随着全球气候变化加剧，碳捕集与封存技术（CCUS）成为应对CO₂排放的关键策略。其中，生物炭因其经济环保的特性被视为理想吸附剂，但工业废气成分复杂（如电厂烟气含15% CO₂/85% N₂，沼气含40% CO₂/60% CH₄），传统研究多局限于单一条件，难以揭示孔隙结构与化学组分在多场景下的协同作用机制。针对这一难题，国内某高校的研究团队通过整合机器学习与分子模拟技术，系统解析了生物炭的构-效关系，相关成果发表在《Green Energy》上。

研究采用极端梯度提升（XGB）算法构建了包含3366组数据的CO₂吸附预测模型，创新性地将<2 nm孔隙细分为0.4-0.6 nm、0.6-0.8 nm等区间进行量化分析，并首次建立了CO₂/N₂和CO₂/CH₄选择性预测耦合模型。关键技术包括：基于Web of Science数据库构建多源吸附数据集；采用DFT法和BET法测定孔隙参数；通过5折交叉验证优化XGB超参数；利用SHAP值进行特征重要性解析；结合巨正则蒙特卡洛（GCMC）模拟验证微观机制。

3.1 数据集特征分析

统计显示生物炭微孔体积（0.4-2 nm）均值达0.547 cm³/g，其中0.6-0.8 nm孔隙与CO₂吸附量相关性最强（PCC=0.91）。值得注意的是，氮含量（0-21.65 wt%）与低压区CO₂吸附呈显著正相关。

3.2 机器学习模型构建

XGB模型在六种工况下的预测精度（R²>0.99）显著优于RF和LightGBM。SHAP分析揭示：在0-0.6 bar压力区间，0.4-0.6 nm孔隙贡献度达41.7%；而在0.6-1 bar高压区，0.6-0.8 nm孔隙与比表面积（S_BET）成为主导因素。化学组分中氮含量在低压下的特征重要性超过氧含量3.8倍。

3.3 选择性分离机制

CO₂/N₂选择性主要依赖氮官能团（贡献度28.9%），而CO₂/CH₄分离则受<1 nm孔隙控制（贡献度25.5%）。实验证实，氮掺杂生物炭BC-1-N的CO₂/N₂选择性达29.76，较未掺杂样品提升39%。

3.4 分子模拟验证

GCMC模拟显示：0.4 nm孔隙在0-0.3 bar区间吸附了其总容量的93%，而0.6 nm孔隙在1 bar时的CO₂负载量反超窄孔。吡啶氮掺杂使碳狭缝模型的CO₂/CH₄选择性提升28.2%，与机器学习结论高度吻合。

该研究创新性地建立了跨尺度预测模型，首次明确0.4-0.6 nm孔隙在低压吸附中的核心地位，并揭示温度压力对主导孔隙尺寸的动态调控规律。所开发的XGB模型预测误差<21%，为生物炭吸附剂的定向设计提供了量化工具。分子层面阐明的"窄孔优先填充-官能团协同作用"机制，对开发新一代智能碳捕集材料具有重要指导意义。