基于量子化学计算与机器学习方法相结合的新见解，深入研究了仲胺捕获二氧化碳（CO2）的性能

《Journal of Cleaner Production》：Novel insight into the investigation of CO 2 capture performance of secondary amines based on quantum chemical calculations coupled with machine learning methods

化学吸收中基于有机胺的CO?捕获技术，次级胺因平衡反应活性和再生能耗受关注。本研究通过量子化学分析、数据驱动特征筛选和深度核心特征量化，揭示次级胺分子结构（如SCPAs电荷、局部电势ESP、 condensed局部亲核性指数CLNI、轨道加权双指标OWDD）与CO?反应热的关系，构建随机森林（R2=0.960）、XGBoost（R2=0.926）和梯度提升树（R2=0.996）模型，为低能耗胺类捕获剂设计提供理论支撑。

　　

李淑荣|王楠|董文英|高歌|唐曦|徐斌|王明义|李晓山

中国太原理工大学化学与化学工程学院，山西省化学产品工程重点实验室，030024

摘要

基于有机胺的化学吸收技术是目前最有前景的碳捕获技术之一。其中，仲胺吸附剂因其反应性与再生能耗之间的平衡而受到广泛关注。然而，由于仲胺种类繁多，影响其CO₂捕获性能的关键性质仍不明确。本研究采用“量子化学分析、数据驱动的特征筛选以及核心特征的深入量化”研究方法，探讨了仲胺结构与其CO₂反应热之间的结构-活性关系。通过对八种典型仲胺分子进行量子化学分析，获得了24个量子化学描述符。为了解决小样本量的限制，采用了贝叶斯噪声增强策略，并利用随机森林和XGBoost集成学习方法系统分析了各种描述符对它们性质的贡献。结果表明，仲胺分子中的氮原子SCP电荷、局部电势（ESP）、凝聚局部亲核性指数（CLNI）和轨道加权双重描述符（OW DD）与CO₂反应热之间存在强相关性。此外，随机森林和XGBoost模型的R²值分别为0.960和0.926，显示出较高的准确性。此外，本研究还利用梯度提升决策树模型对关键分子描述符与CO₂反应热进行了回归分析，R²值为0.996。本研究利用机器学习方法探讨了多维化学描述符对仲胺CO₂捕获性能的影响程度，为深入理解有机胺的CO₂捕获性能提供了新的视角。

引言

在全球能源结构加速向低碳和清洁转型的大背景下，碳捕获、利用和储存（CCUS）技术因其显著的脱碳潜力而受到广泛关注（Zhang et al., 2025a）。目前，基于化学吸收的CO₂捕获技术因其高选择性和成熟的过程技术而成为最有前景的方法之一（Yuan et al., 2025；Gao et al., 2020）。吸附剂是化学吸收型CO₂捕获技术的核心组成部分（Zhang et al., 2025b），而有机胺是目前使用的主要化学吸附剂（Jia et al., 2025）。值得注意的是，以单乙醇胺（MEA）为代表的一系列胺基吸附剂已经实现了工业化应用（Cheng et al., 2025；Rochelle, 2009）。

CO₂捕获效率、吸附剂再生能耗和CO₂捕获容量是评估有机胺CO₂捕获性能的三个最重要指标（Zhang, 2018），这些指标高度依赖于有机胺的独特分子结构特性（Xiao et al., 2016）。在促进高效低能耗胺吸附剂的发展和设计过程中，系统深入地研究胺的分子结构与其CO₂捕获性能之间的内在相关性已成为该领域的关键科学问题（Rozanska et al., 2021）。Xiao等人（2016）研究了叔胺的结构与其平衡CO₂溶解度和反应速率之间的关系，结果表明官能团通过改变叔胺周围氮原子的电负性来改变叔胺的结构和反应速率。Wu等人（2019）在研究聚胺的性质时发现，主链长度的增加有利于提高环状CO₂的捕获能力，Ding等人（Wei et al., 2023）在研究叔胺的性质时也得出了类似的结果。Kim等人（2024）的研究发现，由于烷基取代基产生的空间位阻效应，CO₂负载量和环状容量的增加得到了改善。

高再生能耗是限制有机胺基CO₂捕获技术大规模应用的主要瓶颈（Wang et al., 2025），其中有机胺的CO₂反应热是影响再生能耗的关键因素（Wang et al., 2023），因此研究有机胺与其CO₂吸收热之间的有效关系尤为重要。Hadri等人（El Hadri et al., 2017）测量了26种烷醇胺的CO₂吸收热，发现结构差异显著影响烷醇胺与CO₂的反应焓。以往的研究通过一系列研究解决了这一问题，包括对化学吸附剂（如叔胺）的结构-活性关系进行探讨。还有一系列研究工作探讨了化学吸附剂（如叔胺（Gao et al., 2023a）、仲胺（Huang et al., 2025）、哌嗪衍生物（Tang et al., 2024）和二胺与CO₂吸收热（Tang et al., 2025）之间的结构-活性关系，以及通过量子化学计算深入分析了由于有机胺结构差异导致的化学性质差异，还研究了有机胺的固有性质（如电荷、亲电性和亲核性）通过不同的化学描述符。然而，这些工作也面临某些问题和挑战，包括可用描述符的庞大数量以及在选择适当的化学描述符来评估有机胺的反应性时存在的固有主观性。

近年来，机器学习（ML）技术在分子性质预测领域展现了显著的优势，因为它能够高效处理高维数据（Yang et al., 2017；Cai et al., 2024；Ding et al., 2025）。通过利用特征工程提取多维描述符（包括分子描述符、电子结构参数和热力学参数），并结合深度学习算法，这项技术可以揭示这些描述符与CO₂捕获性能之间潜在的复杂和非线性关系（Liu et al., 2025）。这种方法已应用于有机胺的结构-活性关系研究。然而，大多数研究集中在CO₂平衡溶解度的预测建模上，而对吸收热的关键研究仍有限（Liu et al., 2022；Yu et al., 2025）。此外，传统的“黑箱”模型虽然通常具有较高的预测准确性，但往往无法揭示影响CO₂捕获性能的核心结构特征。这导致数据驱动的结论与有机胺CO₂捕获性能的化学机制之间的脱节，使得难以有效指导有机胺分子的合理设计和筛选。

鉴于上述情况，本研究采用了“量子化学分析、数据驱动的特征筛选以及核心特征的深入量化”的研究方法。在有机胺吸附剂中，伯胺吸附剂（如MEA）表现出较高的CO₂反应热，导致再生能耗增加，从而大幅提高了其工业应用成本（Zhang et al., 2023）。尽管叔胺（如MDEA）可以催化CO₂水合形成易于解吸和再生的碳酸氢盐，从而显著降低再生能耗，但水合反应速率较慢，降低了整体吸收速率，限制了叔胺的广泛应用（Meng et al., 2022）。与伯胺和叔胺相比，仲胺具有明显优势：它们的反应机制类似于伯胺，分子中的氮原子能够直接与CO₂反应生成氨基甲酸酯。这使得仲胺与CO₂反应时具有有利的反应动力学（Li et al., 2024）。此外，由于仲胺中氮原子周围的电子密度相对较低，生成的氨基甲酸酯稳定性低于伯胺衍生物。因此，仲胺的反应热低于伯胺，从而在再生过程中具有更大的能耗降低潜力。这种快速反应速率和低能耗的结合使得仲胺在CO₂捕获研究和应用中具有很高的价值（Hadri et al., 2017）。因此，本研究以仲胺作为主要研究对象。使用了两种集成学习模型——随机森林（RF）和极端梯度提升（XGBoost）进行特征重要性评估，这可以通过减少方差来提高在高维数据下的泛化能力（Qiu et al., 2022）。通过特征重要性分析研究了关键描述符的贡献程度，并最终筛选出了几个影响较大的分子描述符。随后，使用梯度提升决策树（GBDT）模型进一步揭示了核心分子描述符与吸收热之间的数值关系。本研究为设计低再生能耗的胺吸附剂提供了参考。

部分摘录

化学品和实验程序

二乙醇胺（DEA）纯度≥99%，购自上海Macklin生化有限公司（中国），使用前无需进一步纯化。实验前用去离子水将其稀释至所需浓度。实验过程中使用的高纯度二氧化碳（CO₂，99.99%）和氮气（N₂，>99.99%）由湖北华天工业有限公司提供（武汉，中国）。在本研究中，热流的变化

羟基存在与否的影响

八种仲胺的CO₂反应热如图4所示。数据显示，分子结构中含有羟基的仲胺的CO₂反应热明显高于不含羟基的仲胺。如图2所示，由于本研究中选择的仲胺的羟基位于β-碳原子上，当仲胺处于最低能量结构时，羟基中的H原子

结论

本研究通过基于量子化学计算的化学描述符分析，系统研究了仲胺CO₂捕获性能的结构-活性关系。结果表明，向胺分子中引入羟基可以通过空间效应增强氮原子上的孤对电子的局域化效应，从而增加其周围的电子密度并增强与CO₂的相互作用。然而，数量

CRediT作者贡献声明

李淑荣：撰写——原始草稿、软件、方法论、数据管理。王楠：可视化、软件、形式分析、数据管理。董文英：资源、方法论、调查、形式分析。高歌：撰写——审稿与编辑、撰写——原始草稿、监督、软件、资源、方法论、资金获取、形式分析、数据管理、概念化。唐曦：方法论、形式分析、数据管理。徐斌：验证、监督、形式分析。

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢国家自然科学基金（NSFC编号：52506161）、山西省基础研究计划（编号：202503021212004）以及中国政府指导地方科学技术发展的专项基金（湖北，编号：2024CSA088）的财政支持。