机器学习驱动的AOD渣回收优化增强微藻固碳：机理解析与工艺创新

推荐：针对冶金废渣（AOD slag）资源化利用难题，本研究创新性地将三种改性AOD渣（原始渣、老化渣、碳酸化渣）作为微藻（Chlorella pyrenoidosa）培养的营养补充剂，结合随机森林（RF）模型和SHAP算法，揭示了Ca、Mg、Al、Si、Cr五种浸出元素调控微藻高效固碳的内在机制（R2>0.87），为冶金固废循环经济与低成本生物固碳提供了双重解决方案。

　　

在全球气候变暖与工业碳排放压力加剧的背景下，钢铁行业作为直接碳排放量占比25%的“排放大户”，其副产物——氩氧脱碳炉渣（AOD slag）的处理成为棘手难题。每年每吨不锈钢生产伴随270公斤AOD渣产生，传统填埋处理会导致钙镁硅元素浸出风险，而现有水泥建材转化方案难以满足环境友好型处置需求。与此同时，微藻作为“光合固碳工厂”需要大量Ca、Mg等营养元素，这与AOD渣的组分特性高度契合。如何打通“固废处理-微藻培养-碳封存”的闭环链条，并破解多元素协同调控的“黑箱”问题，成为华北理工大学冶金与能源学院Li Jun-Guo团队的研究突破口。

研究团队创新性地提出“机器学习驱动”的解决方案：通过将原始渣、自然老化渣和人工碳酸化渣三种改性AOD渣浸出液作为蛋白核小球藻（Chlorella pyrenoidosa）的培养基质，构建包含96组CO₂固碳数据的训练集，结合支持向量回归（SVR）、反向传播神经网络（BPNN）和随机森林（RF）三种机器学习模型，并引入博弈论启发的SHAP解释算法，首次实现了元素浸出浓度与微藻固碳效率的精准预测与机理解析。

关键技术方法包括：1）AOD渣浸出实验设计（固液比25-400 mg/L梯度）；2）微藻培养体系（BG11培养基，15天培养周期）；3）XRD/XRF/ICP-OES多维度表征；4）基于粒子群优化（PSO）的模型参数调优；5）5折交叉验证评估模型性能。

研究结果揭示：

1. 1.

   AOD渣特性分析：碳酸化渣形成CaCO₃钝化层（碳化度48.68%），其C元素含量达4.45%，显著抑制Cr浸出（0.0008 mg/L vs 原始渣0.0017 mg/L）。

2. 2.

   元素浸出规律：固液比提升至400 mg/L时，Ca浸出浓度达14.65 mg/L，pH升至11.28，但过量OH^-导致Mg²⁺生成Mg(OH)₂沉淀（反应式19），而Al-O/Si-O键断裂促进两性元素溶出。

3. 3.

   微藻固碳效能：碳酸化渣浸出液在50 mg/L固液比时培养效果最佳（生物量153.08 mg/L），但过量Al/Cr诱发活性氧（ROS）积累，导致400 mg/L组生物量骤降76%。

4. 4.

   模型预测性能：LOA-RF模型表现最优（R²=0.9967），SHAP分析显示Al浓度负向贡献最大（SHAP值-65），而Si/Mg正向促进固碳，据此优化后微藻固碳量提升4.3%至285.08 mg。

这项发表于《Carbon Capture Science》的研究开创性地构建了“固废-微藻-机器学习”三位一体的技术框架：1）建立AOD渣浸出元素与微藻固碳的定量关系；2）开发可解释的LOA-RF预测模型；3）揭示Al/Cr抑制与Si/Ca促进的调控网络。这不仅为冶金固废高值化利用提供了新路径，更通过机器学习“解码”复杂生物地球化学过程，为工业废水处理、重金属污染修复等领域的智能优化提供了范式。未来通过扩大数据集、融合反应动力学模型，可进一步突破小样本过拟合限制，推动“AI+固废”技术在碳中和战略中的规模化应用。