《Diamond and Related Materials》：Leveraging machine learning for the synthesis optimization of tea waste–derived carbon quantum dots for supercapacitor electrodes
编辑推荐：
•借助CatBoost模型（R2 = 0.791 ± 0.214），优化了利用茶叶加工废弃物合成碳量子点的方法。•溶剂类型起主导作用（占比88.8%）：在180°C/3小时、BSR为1:35的条件下，使用DMF可生成19.61%的碳量子点；而在116°C/5.9小时、BSR为1:
- •
借助CatBoost模型（R2 = 0.791 ± 0.214），优化了利用茶叶加工废弃物合成碳量子点的方法。
- •
溶剂类型起主导作用（占比88.8%）：在180°C/3小时、BSR为1:35的条件下，使用DMF可生成19.61%的碳量子点；而在116°C/5.9小时、BSR为1:5的条件下，使用乙醇仅能生成10.0%的碳量子点。
- •
经优化后的碳量子点呈准球形结构（尺寸为2-8纳米），比表面积高（512平方米/克），且含有丰富的氮/氧官能团（XPS检测显示氮含量为3.79%）。
- •
在2毫伏/秒的电流密度下，该材料的电容值为175法拉/克；经过5000次循环后，电容保持率仍达87%。
- •
通过机器学习引导的优化方法，可将茶叶加工废弃物高效转化为高性能超级电容器电极材料。
引言
全球向可持续能源系统转型过程中，需要高性能、低成本且环保的储能材料[1]。超级电容器凭借其高功率密度、快速的充放电速度以及出色的循环稳定性，被视为极具潜力的储能器件[2]。然而，由于传统电极材料如石墨烯和碳纳米管的能量密度相对较低且成本高昂，限制了超级电容器的更广泛应用[3]。因此，人们开始研究从可再生及废弃有机物质中提取的替代性碳基材料[4]。碳量子点就是由生物质原料合成的碳基产物之一，这类零维微小碳纳米粒子（尺寸小于10纳米）因其在储能领域的应用潜力而受到关注[5]、[6]。碳量子点的量子限域效应、丰富的表面官能团、较高的比表面积以及可调控的电子特性，使其优于其他块状碳材料[7]。这些特性对电双层电容和伪电容性能都有显著提升作用，因此使其成为超级电容器的理想电极材料[8]、[9]。
与化石基前体相比，生物质衍生的碳量子点是一种更具可持续性的低成本替代品[10]。在各类生物质来源中，茶叶加工废弃物是一种极具潜力的原料——它是提取优质茶粉后剩余的生物质。全球茶叶生产每年会产生数百万吨废弃物，这些废弃物若被随意丢弃会带来环境问题[11]。茶叶加工废弃物中含有大量碳（质量分数为45–53%），同时还富含氮（2–5.4%质量分数）和氧等杂原子[6]、[12]，这些成分可作为自掺杂剂，提升材料的电化学性能[13]。此前关于茶叶废弃物衍生碳材料的研究多集中于其在超级电容器和多孔碳材料中的应用[14]、[15]，而针对茶叶加工废弃物制备用于超级电容器电极的碳量子点的系统优化研究则相对较少。
用于碳量子点生产的溶热碳化法需要使用有机溶剂。与水热法相比，溶热碳化法能更好地控制反应条件，从而实现粒径、表面功能化程度、石墨化程度以及碳化效率的可调控[16]、[17]。这些因素对于优化碳量子点的电荷存储性能至关重要。不过，溶热碳化法是一个复杂的多变量过程，其反应效果会受到温度与自生压力、反应时间、溶剂类型以及生物质与溶剂的比例等多种相互关联因素的影响[9]、[18]。这些变量会直接影响最终碳量子点的产率及其物理化学性质，往往还会产生强烈的非线性交互效应[19]。
传统优化方法包括单因素依次试验法和响应面法。但单因素依次试验法在实验效率上存在缺陷，因为它无法捕捉参数之间的交互作用。虽然响应面法比单因素依次试验法更优，但它也需要依赖预先设定的多项式模型，可能无法充分体现该过程的真实复杂性[18]、[20]。正因如此，此前报道的碳量子点合成最优条件差异较大，导致其产率、质量以及电化学性能都不尽一致。机器学习作为一种强大的工具，已被广泛应用于工艺优化领域[21]。机器学习算法能够对多变量数据集中的复杂非线性关系进行建模，且无需预先指定模型结构[17]、[22]。它还能捕捉参数间的交互作用、量化特征的重要性、通过数据增强技术处理有限的实验数据，以及预测未测试条件下的结果，这些都是其在工艺优化中具备的优势[23]。
近期研究已证明，机器学习在碳纳米材料合成领域应用效果显著，包括碳量子点和其他纳米碳材料[20]。不过，将机器学习引导的优化方法用于基于茶叶加工废弃物的碳量子点溶热碳化合成，并以此为目标开发用于超级电容器的材料，这一方向目前还鲜有研究。
尽管当前研究较多聚焦于基于机器学习的碳量子点合成方法，但仍存在以下几方面的不足：
- (i)
尚未对用于茶叶加工废弃物衍生碳量子点合成的溶热碳化法参数开展系统性优化。
- (ii)
机器学习在预测和优化碳量子点产率方面的应用仍然有限。
- (iii)
尚未在同一数据集上对多种机器学习算法进行充分的对比评估。
- (iv)
通过数据增强技术解决小规模数据集带来的挑战的手段还不够完善。
为弥补上述不足，本研究构建了一个包含16种回归算法的机器学习框架，用于模拟基于茶叶加工废弃物的碳量子点溶热碳化合成过程。本研究的目标包括：（1）根据R2、RMSE和MAE等指标确定性能最佳的机器学习模型；（2）量化温度、反应时间、溶剂类型以及生物质与溶剂比例等关键工艺参数对碳量子点产率的影响；（3）预测最优的合成条件；（4）验证模型预测结果的准确性；（5）对优化后的碳量子点进行表征，并评估其作为超级电容器电极材料的性能。
本研究主要有三方面贡献：（1）首次实现了针对茶叶加工废弃物衍生碳量子点溶热碳化合成的多算法机器学习优化；（2）使用同一组实验数据，对16种机器学习回归算法进行了详细对比分析；（3）明确以超级电容器应用所需的材料性能为优化目标。由此构建的方法框架具有很强的通用性，可轻松应用于其他生物质原料及纳米材料合成工艺，进而推动可持续材料科学领域的数据驱动发展。
章节摘要
原料
本研究使用的茶叶加工废弃物来自印度泰米尔纳德邦尼尔吉里斯地区的某茶叶加工厂。首先用蒸馏水清洗这些废弃物以去除表面杂质，然后在80°C的热风烘箱中干燥12小时。处理后的废弃物再通过实验室球磨机研磨成细粉，过150微米的筛网后储存在密封容器中以备后续使用。所有实验用溶剂均为分析级，购自印度默克公司。整个实验过程中均使用双蒸水。
茶叶加工废弃物的初步分析
为了判断茶叶加工废弃物是否适合作为溶热法合成碳量子点的前体，研究人员对其进行了常规分析、元素分析以及生化分析，相关结果汇总于表2中。
结论
本研究将机器学习与溶热碳化法相结合，实现了茶叶加工废弃物向用于超级电容器的碳量子点的可持续转化。茶叶加工废弃物因其较高的碳含量（52.28%）以及天然的氮掺杂（5.40%）而成为极为理想的原料。在所测试的16种机器学习算法中，CatBoost模型对碳量子点产率的预测精度最高（R2 = 0.791 ± 0.214），能够很好地捕捉各参数之间的复杂非线性交互作用。作为树型集成算法家族的...
CRediT作者贡献说明
Ayisha Naziba Thaha：论文撰写——审阅与编辑、论文撰写——初稿撰写、实验研究、数据整理、概念构思。Karthikeyan Subburamu：论文撰写——审阅与编辑、实验指导。Subramanian Paravaikkarasu Pillai：论文撰写——审阅与编辑、实验指导。Djanaguiraman Maduraimuthu：论文撰写——审阅与编辑、结果验证、实验指导、方法设计、实验研究。Jeya Sundara Sharmila Devasahayam：论文撰写——审阅与编辑。Ramesh Desikan：论文撰写——审阅与编辑、结果验证。
资金支持
Djanaguiraman Maduraimuthu感谢印度政府生物技术部、科学技术部通过项目编号BT/PR36115/NNT/28/1814/2021提供的资金支持，同时也感谢印度政府科学与工程研究委员会、科学技术部通过项目编号CRG/2023/001338提供的资金援助。Ayisha Naziba Thaha则感谢相关机构提供的青年研究资助。
利益冲突声明
作者声明存在以下可能构成利益冲突的财务利益或个人关系：Djanaguiraman Maduraimuthu表示曾获得印度政府生物技术部、科学技术部提供的资金支持；他还表示曾得到印度政府科学与工程研究委员会、科学技术部的资助。Ayisha Naziba Thaha也提及自己获得了相关财务支持。
致谢
作者们感谢可再生能源工程系为其提供的实验设备与资源支持。
Ayisha Naziba Thaha|Karthikeyan Subburamu|Subramanian Paravaikkarasu Pillai|Djanaguiraman Maduraimuthu|Jeya Sundara Sharmila Devasahayam|Ramesh Desikan
