基于全链机器学习的K2CO3活化生物炭对CO2吸附性能预测

《Biomass and Bioenergy》：Full-chain machine learning prediction of CO 2 adsorption performance on K 2CO 3-activated biochar

　　

• •
  基于全链机器学习框架预测了K₂CO₃活化生物炭对CO₂的吸附能力。
• •
  XGBoost模型表现出最高精度：测试R²值为0.9893，RMSE值为0.1264。
• •
  SHAP分析显示压力是关键因素，其次是温度、V_micro和S_BET。
• •
  确定了K₂CO₃活化生物炭用于CO₂吸附的最佳参数。

引言

工业的快速扩张与城市化的快速发展导致了煤炭、石油等化石能源的过度消耗。这些能源的燃烧向大气中排放了大量温室气体，引发了全球变暖以及一系列严重的气候变化。极端天气事件的频发严重威胁着人类社会的生存与发展[1,2]。在各类温室气体中，二氧化碳的占比最大，其年排放量仍在持续上升。据预测，到本世纪中叶，环境中的CO₂浓度将达到898毫克/立方米[3]。短期内，尽管全球清洁能源发展迅速，但由于社会对能源需求的不断增加，用太阳能、风能等可再生能源完全替代化石燃料仍面临诸多挑战。因此，如何有效控制环境中的CO₂排放成为研究重点，其中碳捕获与封存技术备受关注[4,5]。在燃烧后的CO₂捕获技术中，出现了多种方法，包括溶剂吸收、膜分离、深冷分离以及多孔固体吸附等。其中，基于吸附的燃烧后捕获技术因其再生时能耗低且不会产生有害二次污染物等优点，被视为最有效的CO₂减排技术之一[3,6,7]。由于具有独特的物理化学性质和高稳定性，生物炭材料越来越受到重视，被认为是一种极具潜力的高效CO₂固体吸附剂[[8], [9], [10]]。

K₂CO₃是用于合成具有更强CO₂吸附性能的生物炭的最常用活化剂之一[11,12]。K₂CO₃活化需要在600至800摄氏度的高温下通过一系列热化学反应实现。在此条件下，K₂CO₃会分解并与碳质原料发生反应，生成一氧化碳和二氧化碳，从而在形成碳骨架的同时产生微孔和介孔[13]。反应过程中释放出的含钾物质会嵌入碳晶格中，促使结构膨胀并产生大量碳缺陷[14]。与KOH这样的强碱活化剂相比，K₂CO₃带来的活化效果更为温和且易于控制。这种处理方式既能保留生物炭表面的含氧官能团，又能形成高度多孔的结构。

K₂CO₃活化生物炭的CO₂吸附性能取决于其物理和化学表面特性。丰富的微孔可通过填充作用提供吸附位点；而小于1纳米的超微孔由于具有强烈的重叠势场，尤其适合CO₂的捕获[15,16]。表面的羟基、羰基、胺基等官能团可通过路易斯酸碱相互作用、氢键作用以及静电极化作用增强对CO₂的吸附能力。此外，通过Zeta电位可以判断表面的电荷情况，这种电荷也能通过静电作用影响CO₂的结合。因此，CO₂的吸附过程既涉及物理上的孔隙填充，也涉及与表面官能团的化学相互作用。这两种作用的贡献程度会随着活化条件以及最终生物炭的物理化学特性的不同而有所变化。

在实验研究中，研究人员采用了多种方法来提升生物炭的CO₂吸附容量[17,18]。然而，这些方法往往耗时较长、成本较高且工作量大。因此，如何高效地筛选出最优的CO₂吸附材料仍然是一个重大挑战。

作为人工智能分支的机器学习技术已在众多领域得到广泛应用，在知识挖掘和预测任务中表现优异[[19], [20], [21]]。作为一种强大的数据分析工具，机器学习可以被引入到基于生物炭的CO₂吸附研究中，帮助处理海量数据、发现潜在规律并构建可靠的预测模型，从而克服传统实验方法繁琐耗时的缺点[22,23]。Yuan等人[4]以生物炭的孔结构、元素组成以及吸附条件作为输入，建立了三种机器学习算法（GBDT、LightGBM和XGBoost）来预测生物炭对CO₂的吸附量，结果发现GBDT模型的性能最佳，R²值为0.84。Namdeo等人[24]则使用了包括生物炭比表面积、微孔体积、总孔体积、元素组成、吸附压力和温度在内的十项特征，通过GBDT、XGBoost、LightGBM和RF四种算法来预测CO₂吸附容量，结果表明在这四种机器学习模型中GBDT的性能最优，R²值为0.89。Zhu等人[25]利用从生物炭的元素组成、孔结构以及吸附条件中提取的十项预测变量，研究了不同压力下碳基多孔材料的CO₂吸附能力，结果发现RF模型在测试集上的预测精度很高，泛化能力也很强。Maheri等人[26]则以元素组成、孔结构以及压力和温度等操作条件作为输入特征，运用GBDT、多层感知器（MLP）和卷积神经网络（CNN）等机器学习模型来预测生物炭的CO₂吸附容量，他们发现CNN模型的预测性能最为稳定，R²值约为0.85。由此可见，相关研究者已经成功构建出了用于预测生物炭CO₂吸附行为的模型，揭示了孔结构、吸附条件、元素含量与吸附容量之间的关联[27]。不过，大量实验研究表明，影响生物炭CO₂吸附性能的因素并不局限于上述内容，还包括表面官能团、平均孔径、微孔体积、灰分含量、矿物质含量等等[28,29]。如何将这些信息更全面地纳入预测模型中，还有待进一步研究。由于生物炭的孔结构与表面化学性质会受到活化条件的显著影响，将活化条件作为输入特征，能够间接且全面地反映上述各种因素的影响。

要实现高效的CO₂吸附，拥有完善的多孔结构至关重要[30,31]。活化条件（包括活化温度以及活化剂与原料的比例）与孔结构之间存在直接且密切的联系，因此它们是预测吸附性能的重要输入变量[32,33]。所以，将活化条件作为输入特征，能够间接且全面地体现生物炭最终的物理化学性质，从而更准确地理解其CO₂吸附性能背后的机制。另一方面，吸附条件（如压力和温度）不仅直接影响吸附过程，还会与其他参数（如孔径分布）产生复杂的相互作用，这些相互作用使得构建精确的预测模型变得更加困难[34,35]。

本研究的所有输入变量包括活化条件（活化剂与原料的比例、活化剂混合方式、活化温度、活化时间）、孔结构、元素组成以及吸附条件。研究人员采用了RF、GBDT、XGBoost和LightGBM四种机器学习算法，构建了一个用于预测生物炭CO₂捕获效率的模型。随后又运用SHAP方法对每个输入特征对吸附行为的影响进行了定量分析。本研究的主要目的是阐明活化条件是如何通过改变生物炭的孔结构与表面化学特性来影响其CO₂吸附容量的。除了提升现有模型的预测性能外，这种方法还能揭示材料制备参数与CO₂吸附性能之间的内在关联。这些研究结果为定制高性能生物炭吸附材料提供了可靠的理论依据和技术支持。

章节摘要

数据收集与填补

现有研究表明，生物炭的CO₂吸附性能会受到活化条件、孔结构特征、表面化学组成以及吸附条件等多方面因素的显著影响[36,37]。因此，研究人员利用Web of Science和ScienceDirect数据库进行了全面的文献检索，旨在构建一个数据集，以便利用机器学习方法预测K₂CO₃活化生物炭的CO₂吸附性能。文献检索是通过以下方式进行的

数据集描述与统计分析

图1以柱状图的形式展示了数据集中各特征的分布情况，从三个维度进行了呈现：活化条件、结构特性以及生物炭的吸附条件。在活化条件方面，“浸渍法”类别下的干法混合技术与浸渍法性能相近。K₂CO₃与碳材料的比例存在较低和较高的数值范围，主要集中在2、3、4这三个水平上。ACT-T则主要集中在这三个

结论

本研究采用机器学习方法，系统地评估了K₂CO₃活化生物炭的CO₂吸附性能。研究人员共收集了514个样本的数据，这些数据涵盖了吸附条件、元素组成、孔结构以及活化条件等方面的信息。经过充分的预处理后，研究人员建立了四种模型用于预测：RF、GBDT、LightGBM和XGBoost。研究中发现压力是影响CO₂吸附性能的最主要因素

CRediT作者贡献说明

牛 Qi：概念提出、研究实施、初稿撰写、审稿与编辑。杨超月：正式分析、初稿撰写。曲庆西：方法设计、审稿与编辑。乔定旺：研究实施、结果验证。李凯：项目管理、监督、审稿与编辑。胡斌：研究实施、结果验证。李继红：研究实施、资源协调。卢强：项目管理、资源协调、监督、审稿与编辑。

利益冲突声明

所有作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

作者们感谢中国国家重点研发计划（编号：2022YFC3902403）、国家自然科学基金（编号：52436009）以及中央高校基本科研业务费（编号：2026MS053、2026JC003）提供的资金支持。

牛 Qi|杨超月|曲庆西|乔定旺|李凯|胡斌|李继红|卢强