在亚马逊森林管理中推进循环经济：木材废弃物分类处理与传统炭化方法对木炭性能、可燃性及自燃风险影响的比较研究

《Circular Economy》：Advancing circular economy in Amazonian forest management: A comparative study of the effects of wood waste segregation and traditional carbonization on charcoal properties, combustibility, and spontaneous combustion risk

可持续林业管理计划下的木材废弃物通过物种分类再利用，研究了砖窑生产木炭的质量、燃烧性能及自燃风险。采用主成分分析（PCA）将23种热带木材废弃物分为4个分离组（G1-G4）和传统混合组（G5），结合热重分析（TGA）、燃烧指数计算及自燃实验，发现G1（达尼滋亚 excelsa）木炭固定碳含量最高（73.92%），自燃风险最低（0%），燃烧性能最佳（最长燃烧时间547℃）；而G2-G5因挥发性物质和灰分含量差异，自燃风险显著（最高达75%）。多准则决策分析（MCDA）综合物理化学指标和燃烧参数，得出排序G1＞G4＞G5＞G3＞G2，与自燃实验结果一致。研究证实物种分类能提升木炭质量并降低运输安全风险，为亚马逊生物能源循环系统提供科学依据。

　　巴西是全球最大的木炭生产国，占全球产量的12%（IBá，2021）。除了柴火外，木炭也是一种可再生能源，占巴西国内能源供应的9.0%，相当于约27.283万吨石油。该国约87.8%的木炭用于工业用途，主要为水泥、生铁、铁合金和钢铁生产。此外，2022年总铁和钢产量的64.7%（4,482,000吨）将由这些工业应用产生（EPE，2023）。这些数据表明木炭在巴西工业体系中的重要性。

木炭生产的主要原材料来自人工林，主要由桉树（Eucalyptus）和柯里巴（Corymbia）等树种组成，这突显了这种原材料的可再生性（IBá，2021）。然而，木炭生产不应仅限于桉树和柯里巴。这一观点尤为重要，因为其他生物质废弃物如可持续森林管理产生的木材废弃物，以及农业来源的废弃物，数量众多（Lima et al., 2020a, 2020b, 2021, 2022a, 2022b；Pereira et al., 2020）。亚马逊地区的木炭生产主要依赖于能量林业的原材料、可持续森林系统产生的木材废弃物以及锯木厂木材机械加工产生的废弃物（Lima et al., 2023）。

循环经济为利用可持续森林管理产生的木材废弃物提供了一个可持续的框架，提高资源利用效率，同时减少环境影响（Das and Ghosh, 2022）。此外，将生物质纳入循环经济体系和共燃策略有助于减少温室气体排放，支持碳中和的能源转型（Liu et al., 2023；Mishra et al., 2023）。这些方法突显了木材废弃物增值在推动可持续能源系统中的潜力。

可持续森林管理计划（SFMP）是一种法律工具，允许在亚马逊地区合理利用木材和非木材产品。该计划依据巴西森林法（联邦法12,727/2012）（Brazil, 2012）制定。除了该类别外，帕拉州政府通过第5号规范性指令，于2015年9月11日制定了森林管理的法规（Pará, 2015）。尽管该林业活动受到监管，旨在缓解认证森林开采的影响，但仍会产生大量木材废弃物，包括枝条、根部和树桩（Lima et al., 2023）。

在亚马逊地区，SFMP产生的木材废弃物约为每吨木材收获2.13吨，最大切割强度为30 m3·ha?1（Numazawa et al., 2017）。帕拉州的法规设想了这些废弃物由SFMP操作者使用。这些SFMP残余材料主要用于能源生产，有助于多样化巴西的能源矩阵，并产生收入和就业机会（Sá et al., 2024；Silveira et al., 2025）。

SFMP木材废弃物虽然来源多样，形状各异，物种组成复杂，但它们在生产能源，尤其是木炭方面具有巨大潜力（Lima et al., 2020a）。文献中已有对SFMP废弃物的估算（Cruz Filho and Silva, 2009；Keller et al., 2004；Numazawa et al., 2017），以及对木材（Lima et al., 2021；2020；Pereira et al., 2020）和由此产生的木炭（Lima et al., 2020）的特征研究。最近的研究表明，在操作规模上，SFMP废弃物的分选对砖窑的生产力有积极影响（Lima et al., 2023），以及由此产生的木炭质量（Barros et al., 2023）。

本研究通过结合法律采伐、保护措施和循环经济概念，在亚马逊地区将木材废弃物转化为木炭。通过实际规模的窑炉在偏远地区进行木炭生产，研究强调了基于物种的分选对木炭质量、燃烧行为和物流安全（自燃风险）的影响。使用主成分分析（PCA）对23种热带树种的废弃物进行分类，形成四个不同的组（G1–G4），而G5代表传统的混合物种碳化。一种新颖的方法用于评估基于物种分选对木炭质量、燃烧行为和物流安全的影响，包括近似分析、热值分析、热重分析（TGA）、燃烧指数和自燃实验。

为了支持高性能和更安全的生物燃料的选择，采用了多准则决策分析（MCDA），以系统地对分选的木炭组进行排名，整合物理化学和热性能指标。分选的组在固定碳（69.61–73.92 %, 干基 (db)）含量、挥发性物质（21.87–27.58 %, db）含量、灰分（1.20–6.03 %, db）含量和高热值（26.5–30.0 MJ·kg?1）方面表现出差异。G1（Dinizia excelsa）具有最高的固定碳含量、最低的灰分含量和优越的燃烧行为，而G5的点火温度较低，反应性较高。自燃测试显示，G1和G4没有自燃现象，而G2、G3和G5的自燃率分别为75%、50%和25%。MCDA使木炭性能的多指标评估成为可能，产生了与自燃结果一致的排名（G1 > G4 > G5 > G3 > G2）。这些发现突显了选择性生物质利用的潜力，以生产更高质量、更安全和更可持续的木炭，强化了其在亚马逊循环经济生物能源系统中的作用。

在巴西，国家陆路运输局（ANTT）将木炭列为可能自燃的产品，在第5,947/21号决议中分类为4.2类（ANTT, 2004）。证明材料不具有自燃倾向的物理化学测试可以免除相关法规中的特殊处理要求。这些测试的执行或使用专门的运输方法（见巴西标准NBR 7500 (ABNT - 国家标准化组织标准，2004)）会增加生产者的成本，直接对这种生物燃料在巴西的市场价值产生影响。

多准则决策分析（MCDA）已被证明是整合多个变量并识别优化生物燃料的有价值的工具。本研究采用MCDA系统评估了通过基于热带木材种类分选的木炭组，整合了固定碳、灰分、热值和燃烧性能指标，重点关注它们与自燃风险的关联。在碳化过程中，通过热重分析（TGA）和差示扫描量热分析（DTA）对木炭进行综合评估，以建立与燃烧参数和性能指标的相关性。热重分析和差示扫描量热分析在Shimadzu DTG-60H分析仪上进行，采用10 °C·min?1的加热速率，温度范围从环境温度到750 °C，氮气流量为100 mL·min?1，含约20%氧气，这在生物质燃烧研究中广泛采用，以在实验持续时间和热分辨率之间取得平衡，从而准确检测分解阶段和燃烧反应性（Liu et al., 2021）。这种标准化的设置允许对来自不同木材废弃物组的木炭燃烧特性进行可靠比较。

TGA、DTG和DTA曲线的综合解释有助于识别木炭燃烧过程的不同阶段。每个样品的质量损失在特定温度区间（25–100 °C，100–200 °C，200–300 °C，300–400 °C，400–500 °C，500–600 °C，600–700 °C）被量化，通过计算每个区间内初始和最终质量的差异。700 °C的上限被选为大多数样品（特别是G2、G3、G4和G5）在此温度范围内质量损失最大的原因。

燃烧性能指数的计算涉及点火、完全燃烧和最大质量损失温度，最大和平均燃烧速率，以及点火时间。平均燃烧速率通过将质量损失除以热重分析的总时间计算得出。点火指数、燃烧特征指数和可燃性指数根据方程计算（Moon et al., 2013；Wang et al., 2011；Zou et al., 2019）。

本研究通过整合物理化学和热性能指标，系统评估了木炭的性能。为了辨别和优先考虑分选组（G1、G2、G3和G4）和传统木炭生产方法（G5）中的卓越表现，采用了两种决策分析技术，即基于折衷编程的度量距离（metric distance）和支配分析（DA）。图S2在电子补充材料（ESM）中展示了这两种方法。细节和数值代码可在Ferreira et al. (2021)中找到。

折衷编程方法寻求与理想值紧密匹配的解决方案，或与参考解决方案相比偏离更远的解决方案（Deb, 2011）。该评估依赖于欧几里得距离，度量距离（metric distance）表征了解决方案与参考点之间的距离。最优解决方案在参考理想解决方案（ideal desired solution）附近具有较短的距离（Silveira et al., 2023）。参考点（reference point）是假设的构造，由所有考虑的指标（近似分析和燃烧指数）的优选值坐标定义。参考值（reference value）基于表3和表5（燃烧指数见第3.2节）定义。考虑到优化木炭（最低AC和VMC，最高FCC和HHV；最低点火指数、燃烧特征指数和可燃性指数值），参考值被定义为[AC: 1.2%，db；FCC: 73.92%，db；VMC: 21.87%，db；HHV: 30.00 MJ·kg?1，点火指数: 1.78 %2·min?2·°C?3，燃烧特征指数: 0.73%·min?1·°C?2，可燃性指数: 6.91%·min?3]。

支配分析（DA）方法通过方程（Ferreira et al., 2021）定义，并在图S2(b)中展示。在一组解决方案中，如果一个解决方案在所有指标上等于或优于另一个解决方案，则认为该解决方案支配另一个解决方案。在至少一个指标上严格优于其他解决方案的解决方案被视为强支配（SD）。决策分析强调了一组独特的解决方案，包括在权衡情境中的最佳结果，特别是在帕累托前沿（Deb, 2011）中。本研究的最优结果以低VMC和AC值以及高FCC和HHV值为特征。在燃烧指数方面，较低的点火指数、燃烧特征指数和可燃性指数值是优选的，特别是在运输物流中，以减轻自燃问题。弱支配（WD）发生在一个解决方案在至少一个指标上优于其他解决方案，而强支配（SD）则是在所有指标上优于或等于其他解决方案。

决策分析强调了一组独特的解决方案，包括在权衡情境中的最佳结果，特别是在帕累托前沿（Deb, 2011）中。本研究的最优结果以低VMC和AC值以及高FCC和HHV值为特征。在燃烧指数方面，较低的点火指数、燃烧特征指数和可燃性指数值是优选的，特别是在运输物流中，以减轻自燃问题。弱支配（WD）发生在一个解决方案在至少一个指标上优于其他解决方案，而强支配（SD）则是在所有指标上优于或等于其他解决方案。

在本研究中，所有评估的变量（木炭质量：AC、VMC、FCC和HHV；燃烧性能：点火指数、燃烧特征指数和可燃性指数值）具有相同的重要性（权重因子）。在工业应用中，使用Cordero的方程（Cordero et al., 2001）可提供更高的准确性，预测来自木材废弃物的木炭特性，尤其是灰分含量（AC）低于2%干基。如G1（FCC > 73% db）等组也确保HHV≥30 MJ·kg?1。这些发现强化了在亚马逊地区开发特定预测模型的必要性，以涵盖来自异质生物质的木炭，包括AC和VMC/FCC比率。

此外，木炭的近似分析确认了亚马逊木材废弃物的能源潜力，对于理解自燃机制至关重要，特别是考虑到挥发性物质含量（VMC）在促进自燃中的影响。因此，从定量（表3）和定性（图2）的角度来看，确定和排名哪个组更优是复杂的。此外，当评估燃烧性和反应性（见第3.2节）时，增加参数会进一步增加决策任务的复杂性。因此，使用MCDA技术变得尤为重要（第3.3节）。

通过PCA，23种热带树种的废弃物被分为四个不同的组（G1–G4），而G5代表传统的非分选碳化。该分类基于先前研究中对关键木材特性的相似性，使用主成分分析（PCA）和多变量统计技术（图1(b)）。原PCA考虑了物理特性（干基水分、基本密度和最大水分含量）、化学特性（挥发性物质、固定碳、灰分、总提取物和木质素分数）以及能量特性（高热值和能量密度）（Lima et al., 2020a），以及特定木材消耗（Lima et al., 2020b）。这一预先存在的分类确保了与验证的亚马逊地区树种质量参数的一致性。先前的研究已使用这些相同的树种组来评估分选对砖窑生产力的影响（Lima et al., 2023）和由此产生的木炭质量（Barros et al., 2023）。

在图1(c)中，废弃物的收集、分选和采样过程遵循系统的方法。首先，通过轮式装载机（Volvo L90 F）将来自已识别树种的废弃物收集到九堆中，然后从每堆中提取样品以形成4 cm3的测试样品。废弃物原木随后通过Caterpillar AT 320D FM Sotreq收割机切割，并通过Iveco Tector 260E28的自卸卡车运输到窑炉进行碳化。

木炭生产于20个砖窑中，每个组分配4个窑炉。碳化过程遵循公司标准的12天周期，碳化温度范围在450–550 °C之间（见图S1在ESM中）（Barros et al., 2023）。每个窑炉高2.5米，底径3.2米，顶部和底部各设有六个进气口。此外，每个窑炉配备一个70厘米的烟囱以排放产生的气体。

碳化过程在砖窑中通过半碳化的木材废弃物作为引燃燃料启动，无需柴油或其他外部输入（Santos et al., 2024）。在碳化过程中，通过燃烧部分木材废弃物来维持热能，这为剩余生物质的干燥和热解（吸热阶段）提供热源（Lima et al., 2023）。这种能源自给能力使该过程适合在亚马逊地区资源有限的偏远地区进行。碳化完成后，每个窑炉产生的木炭被转移到前开式金属容器中，容量为9.7 m3（图1(d)）。每个容器足以容纳单个窑炉的全部输出。一旦填满，容器被木板密封以确保材料在运输到指定采样设施前的安全。

对于采样，从每个容器中随机选取约100公斤的木炭，并分配到五个麻布袋（每袋20公斤），总共100袋。这一程序确保了代表性采样和标准化采样，以进行后续分析和木炭生产。

热重分析（TGA）和差示扫描量热分析（DTA）通过Shimadzu DTG-60H分析仪进行（图1(g)）。加热速率为10 °C·min?1，温度范围从环境温度到750 °C，氮气流量为100 mL·min?1，含约20%氧气，遵循Barbosa等（2024）和Massuque等（2021）的建议。这些条件在生物质燃烧研究中广泛采用，因为它们在实验持续时间和热分辨率之间取得平衡，使分解阶段和燃烧反应性的准确检测成为可能。这种标准化的设置允许对来自不同木材废弃物组的木炭燃烧特性进行可靠比较。

TGA、DTG和DTA曲线的综合解释有助于识别木炭燃烧过程的不同阶段。每个样品的质量损失在特定温度区间（25–100 °C，100–200 °C，200–300 °C，300–400 °C，400–500 °C，500–600 °C，600–700 °C）被量化，通过计算每个区间内初始和最终质量的差异。700 °C的上限被选为大多数样品（特别是G2、G3、G4和G5）在此温度范围内质量损失最大的原因。

在评估组中，表现出更高燃烧稳定性的是G1、G2、G4、G5和G3（见图4(a)和4(b)）。具有最高燃烧稳定性的组（G1、G2和G4）表现出最低的AC值（G1和G4）和最小的VMC/FCC比率（G1和G2；见表3）。这些结果与Massuque等（2021）在热带树种木炭研究中的发现一致。图3(a)和3(d)揭示了所有木炭组中观察到的三个燃烧阶段。第一阶段是干燥阶段，随后在约350 °C发生点火。随着温度上升到400 °C，木炭进一步因挥发性物质（VMC）的点火和燃烧而发生质量损失，这是燃烧过程的主要驱动因素（Massuque et al., 2021）。

第三阶段（蓝色区域，图4(d)和图4(f)）发生在515、494、471、499和490 °C，这是固定碳燃烧引起的最大质量损失。这一结果与Aniza等（2024）的研究一致，他们表明高固定碳（FCC）材料（>70%，db）表现出延迟和更稳定的燃烧模式，如G1（FCC=73.92%，db）所示，其最大质量损失温度（515 °C）高于反应性较强的组，如G3（471 °C）。在520 °C以上，有机材料被完全消耗，仅留下灰分。

DTA曲线（图4(g)）补充了这些发现。G1在550 °C时达到最大能量释放，这与其高FCC和较低反应性指数一致，而G3在450 °C时达到峰值，反映了挥发性物质的主导作用。传统组G5表现出中间行为（峰值在490 °C），这与其异质组成和分选组（G1–G4）与非分选材料的混合特性一致。

在较低温度（200–300 °C）下，最大的质量损失与挥发性物质释放有关。Pearson相关性测试支持这一发现，与VMC（r=0.91；p值<0.05）和VMC/FCC（r=0.94；p值<0.05）有关。G3、G4和G5组的较高平均VMC值和优越的VMC/FCC比率导致在所述温度范围内最大的质量损失，使燃烧更具反应性。灰分含量超过25%的木炭在100–300 °C之间表现出2.5–4.2%的质量损失。

G1（73.92% db FCC）表现出更高的燃烧稳定性。此外，其他组在400和500 °C时也发生质量损失。这一阶段对应于固定碳的燃烧（Massuque et al., 2021）。图4(g)显示了DTA曲线，表明发生了两个能量释放阶段。第一个阶段发生在300到400 °C之间，第二个阶段发生在400到550 °C之间。G1在550 °C时达到最高能量释放，而G3在450 °C时达到最高能量释放。

DTG和DTA图显示，在150 °C以上，反应是放热的，质量损失发生在对应最大能量释放的温度范围内。Massuque等（2021）报告称，第一个能量释放峰值与挥发性物质排放、点火和均匀燃烧有关。第二个阶段特征在于固定碳的更强烈燃烧，这是木炭的主要成分，最终达到最大能量释放。由于其显著的FCC（73.92% db）和高HHV（30.44 MJ·kg?1），G1表现出最高的能量释放峰值（约500 °C）。G3的高VMC/FCC比率（0.39）证实了较低的最大能量释放温度，较高的400–500 °C质量损失，以及较短的处理时间。

表5显示了各树种组的平均点火温度（Ti）、完全燃烧温度（Tb）和最大质量损失温度（Tmax）；最大（dm/dt）max和平均（dm/dt）mean燃烧速率；以及点火时间（tig）在DTG曲线中确定。该表还包含燃烧指数（S）、可燃性指数（Ci）和点火指数（Di），这些指数表达了相似废弃物的燃烧性能。组因素显著影响所有这些参数。在工业条件下，G1预计会在反应器中停留更长的时间，主要是由于其较高的平均点火温度（380 °C）、完全燃烧温度（547 °C）和最大质量损失温度（515 °C），以及点火时间（33分钟），如表5所示。

高最终燃烧温度的固体生物燃料通常表现出更长的燃烧过程，需要额外时间才能达到完全燃烧。因此，这些组表现出较低的点火温度（Leroy et al., 2006）。Protásio等（2014）报告称，燃料中高VMC有助于点火并减少燃烧时间，增加平均燃烧速率。G1的最大质量损失温度与高FCC（73.92% db）相关。G1和G4的低AC值（1.20% db和2.56% db）也由高最大温度值解释，因为灰分不作为燃烧的催化剂，即不促进这些组的木炭点火（Ma et al., 2006）。G3和G4的高平均燃烧速率由于高VMC和低FCC。

G1（10.57%·min?1）和G2（10.58%·min?1）表现出更高的（dm/dt）max，这可能归因于其较高的FCC值（表3）。相比之下，G3和G4表现出较高的平均燃烧速率（1.39%·min?1和1.38%·min?1），这一特征归因于这些木炭中较低的AC值（G3=3.25% db；G4=2.56% db），如Protásio等（2014）所报告的。

燃烧特征指数（S）反映了点火温度（Ti）、完全燃烧温度（Tb）和最大燃烧速率（(dm/dt)max）的综合影响，其趋势可以与木炭的近似组成相关联。虽然G1表现出最高的热稳定性（Ti=380 °C，Tb=547 °C）和FCC（73.92% db），但其较低的（dm/dt）max（10.57%·min?1）和VMC（24.88%）导致了中等的S（1.78 E7 %2 min?2 °C?3）。相比之下，G2结合了中等的FCC（70.37%）和较高的反应性（(dm/dt)max=10.58% min?1），得到了第二高的S（1.99 E7 %2 min?2 °C?3）。G3，由于VMC超过27%和最低的FCC（69.61%），表现出最早的点火和较高的燃烧速率（(dm/dt)max=9.72% min?1），得到了最高的S（2.14 E7 %2 min?2 °C?3）。G4表现出更平衡的特征，具有有利的近似值（69.86% db FCC，29.46% db VMC）和燃烧参数（Ti=368 °C，Tb=545 °C，(dm/dt)max=10.38% min?1），对应于S=1.96 E7 %2 min?2 °C?3。

Pearson相关分析表明，FCC值较高的木炭（G1和G2）在DTA曲线上表现出更高的最大能量释放温度（r=0.67；p值≤0.05），点火温度（r=0.65；p值≤0.05），最大质量损失温度（r=0.66；p值≤0.05），峰值时间（r=0.64；p值≤0.05）和点火时间（r=0.64；p值≤0.05）。这些趋势可以通过图5中的拟合回归曲线得到证明。显然，非分选木材产生的木炭在化学参数和燃烧性上表现出更大的变化，从而降低其能量性能。

分选组（G1–G4）的木炭表现出较高的FCC值（最高达73.92% db），且在所有组中没有自燃现象，这与传统方法（G5：25%自燃率）形成鲜明对比。这些质量改进在与能源效率相关的方面具有重要意义。因此，木材分选对木炭燃烧性的影响得到了进一步的证实。

此外，通过整合物理化学和热性能指标，MCDA已被证明是识别最佳木炭剖面的有力工具。本研究中，MCDA的排名（G1 > G4 > G5 > G3 > G2）与自燃测试结果一致，这强化了该方法的稳健性。这些发现突显了选择性生物质利用的潜力，以生产更高质量、更安全和更可持续的木炭，从而强化了其在亚马逊循环经济生物能源系统中的作用。

本研究的独特性在于其综合和多学科的方法，结合了实际的现场工作和先进的分析技术。这包括（i）评估来自具有复杂物流和运输挑战的地区的独特原料；（ii）在偏远地区实际规模上研究砖窑中木炭的燃烧；（iii）评估基于物种分选对木炭生产和产量的影响；（iv）通过TGA，以及近似和热值分析，对生物燃料质量进行全面评估，以建立与燃烧参数和性能指标的相关性；（v）自燃实验以确定在环境条件下木炭储存和运输的安全性和可行性；（vi）创新地使用MCDA，以整合化学和热性能指标，从而对木炭组进行排名，并识别出安全和高效的生物能源最佳剖面。

在钢铁行业中，使用多样化的木炭会降低生物燃料的热稳定性，增加还原过程中的能量消耗，并降低生铁的产量（Silva and Ataíde, 2019）。G5（代表传统木炭生产）表现出更好的数据分散（图6）和FCC的最大标准差幅度（见表3），表明更大的变异性。均质的木炭特性，如G1中的，对于钢铁生物还原是理想的。这种一致性增强了还原过程的稳定性和效率，从而减少了高炉中的特定木炭消耗（Lima et al., 2020b）。因此，木材分选对最终产品的优势得到了强调。

通过分选木材废弃物，本研究提高了砖窑中的木炭产量和质量。收益范围从6.81%（G3）到30.23%（G1）的木炭体积，以及从17.65%（G4）到70.59%（G1）的每窑木炭质量。因此，分选废弃物的碳化提高了操作规模上的生产力指标，以及来自热带树种的木炭质量和可燃性。

本研究的局限性在于，尽管不评估所有可能的指标，但所选的指标考虑了木炭作为生物还原剂的更决定性影响，以及可用的实验室生物质表征（Ferreira et al., 2021）。表6显示，支配分析（WD和SD）在分类组时表现出较低的敏感性。这种敏感性可能与特定参数的细微差异有关。相比之下，欧几里得距离作为度量，表现出更有效的性能，明显地对组进行排名。通过平均支配分析和度量距离的结果，建立了以下质量排名：G1 > G4 > G5 > G3 > G2。有趣的是，这种行为与自燃测试的结果一致，将在第3.5节中描述和讨论。

尽管不评估所有可能的指标，但所选的指标考虑了木炭作为生物还原剂的更决定性影响，以及可用的实验室生物质表征（Ferreira et al., 2021）。表6显示，支配分析（WD和SD）在分类组时表现出较低的敏感性。这种敏感性可能与特定参数的细微差异有关。相比之下，欧几里得距离作为度量，表现出更有效的性能，明显地对组进行排名。通过平均支配分析和度量距离的结果，建立了以下质量排名：G1 > G4 > G5 > G3 > G2。有趣的是，这种行为与自燃测试的结果一致，将在第3.5节中描述和讨论。

本研究的结果表明，分选木材废弃物可以显著提高木炭质量，同时促进偏远地区更安全和更高效的能源解决方案。通过PCA，23种热带树种的废弃物被分为四个不同的组，允许对它们的燃烧行为和自燃风险进行有针对性的评估。与传统的混合物种碳化相比，分选组，特别是G1（Dinizia excelsa）和G4，产生了具有增强的固定碳含量、减少的灰分水平、更高的热稳定性和较低自燃率的木炭。这些特性对于能源性能和物流安全至关重要。

挥发性物质含量与可燃性之间存在强相关性，较高的挥发性物质含量会导致在较低温度下更大的质量损失。具有较高点火、完全燃烧和最大质量损失温度的木炭样品表现出较低的自燃倾向，提供了更安全的运输和储存解决方案。MCDA已被证明是识别最佳木炭剖面的有力工具，通过整合物理化学和热性能指标。排名（G1 > G4 > G5 > G3 > G2）与经验燃烧结果一致，强化了该方法的稳健性。

除了这些技术成果，本研究还与循环经济原则紧密相连，通过利用否则会被丢弃的生物质，减少环境影响，并通过可再生能源生产创造附加价值。分选废弃物的碳化支持钢铁行业从焦炭向木炭的转变。此外，这些发现为改进森林残余物管理、优化窑炉操作和法规框架提供了科学基础，以促进更安全的木炭运输。整合生物质分选、热表征和可持续性指标，使这一方法成为热带森林地区循环经济生物能源的有效途径。

本研究通过整合法律采伐、保护努力和循环经济概念，在亚马逊地区将木材废弃物转化为木炭。强调了基于物种的分选益处，对23种热带树种的残余物进行分类，形成四个不同的组（G1–G4），而G5代表传统的混合物种碳化。一种新颖的方法用于评估基于物种分选对木炭质量、燃烧行为和物流安全（自燃风险）的影响，通过近似和热值分析、热重分析、燃烧指数和自燃实验进行。为了支持高性能和更安全的生物燃料的选择，采用了多准则决策分析（MCDA）系统地对分选的木炭组进行排名，整合物理化学和热性能指标。这种方法对于分散的生物能源系统尤为重要，其中能源效率必须与安全和环境可持续性相协调。最近的研究突显了MCDA在优化异质生物质的生物炭生产中的日益重要性（Santos et al., 2025）。通过结合性能指标与可持续性指标，MCDA支持战略决策，强化了森林地区循环经济实践。

因此，本研究的独特性在于其全面和多学科的方法，结合了实际的现场工作和先进的分析技术。这包括（i）评估来自具有复杂物流和运输挑战的地区的独特原料；（ii）在偏远地区实际规模上研究砖窑中木炭的燃烧；（iii）评估基于物种分选对木炭生产和产量的影响；（iv）通过TGA，以及近似和热值分析，对生物燃料质量进行全面评估，以建立与燃烧参数和性能指标的相关性；（v）自燃实验以确定在环境条件下木炭储存和运输的安全性和可行性；（vi）创新地使用MCDA，以整合化学和热性能指标，从而对木炭组进行排名，并识别出安全和高效的生物能源最佳剖面。