钢渣 CO2 封存率预测及经济可行性分析

《Journal of Environmental Sciences》：Prediction of CO 2 sequestration rate of steel slag and economic feasibility analysis

　　

• •
  开发了一个集成的机器学习 - 经济框架用于钢渣碳化。
• •
  XGBoost 模型在所有模型中取得了最高的性能。
• •
  Al₂O₃ 含量被确定为最关键的因素。
• •
  在当前的收益假设下，大型工厂在经济上是可行的。
• •
  中小型工厂有可能通过原料选择获得利润。

引言

随着全球产业的快速发展，大量排放温室气体如 CO₂ 加剧了气候变化，造成了严重的经济和环境影响 (Friedlingstein 等，2022)。根据国际能源署 (IEA)，钢铁行业 (ISI) 是碳排放强度最高的工业部门之一。它每年排放 2.6 Gt CO₂，占全球能源系统总排放量的 7 % (IEA, 2020)。此外，ISI 产生大量废钢渣，在长期储存过程中可能会释放富含重金属的碱性淋溶液，从而威胁当地水生环境 (Hobson 等，2018)。因此，在确保钢渣安全有效管理的同时减少碳排放是 ISI 亟待解决的优先事项。

各种 CO₂ 捕获与封存 (CCS) 技术已被用于减少工业 CO₂ 排放。作为 CCS 技术的关键组成部分，CO₂ 封存方法可分为地质封存、海洋封存和矿物碳化 (Mwenketishi 等，2023)。在这些方法中，矿物碳化作为一种有前景的解决方案引起了显著关注 (Sn?bj?rnsdóttir 等，2020)。通过矿物碳化，CO?可以永久转化为稳定的碳酸盐矿物，而碳化矿物产物可进一步用于建筑和其他应用 (Li 等，2025)。钢渣是炼钢的副产品，富含 CaO 和 MgO 等碱性氧化物，这些是碳化反应中的主要活性物质，因此显示出巨大的矿物碳化潜力 (Humbert and Castro-Gomes, 2019)。此外，钢渣碳化产物可应用于建筑材料等各种场景，从而促进循环经济的实现 (Song 等，2021)。因此，钢渣碳化为 ISI 的低碳转型提供了一条有前景的途径 (Li 等，2024)。

然而，钢渣的 CO₂ 封存率受许多因素影响，例如钢渣的化学成分和物理性质以及工艺条件 (DiGiovanni 等，2024)。先前的研究主要通过控制实验或响应面法 (RSM) 考察单个因素对钢渣 CO₂ 封存率的影响，并通过反复实验试验确定最佳碳化条件 (Wang 等，2024)。例如，最近的一项研究通过调整三个变量并进行 27 次碳化实验，确定了单一钢渣的最佳碳化条件 (Polettini 等，2016)。尽管这些实验精度很高，但耗时、费力且范围有限。此外，RSM 可能不足以完全捕捉影响因素之间复杂的非线性相互作用 (Ghattas and Manzon, 2023)。因此，需要更快且更具成本效益的预测分析方法。

机器学习 (ML) 已被证明能够处理大规模多样化的数据集，并在复杂过程中做出准确和稳定的预测 (Jordan and Mitchell, 2015; Zhong 等，2021)。最近的研究表明，超参数优化可以进一步提高模型的预测准确性和稳定性，使模型在预测任务中提供更优异的性能 (Liang 等，2026; Zhang 等，2026)。先前的研究探索了 ML 技术在预测各种条件下钢渣碳封存率方面的应用，并证明了该方法的可行性 (He 等，2023)。然而，现有研究基于从有限文献来源收集的相对较小的数据集，这可能限制了模型的可靠性和泛化能力 (Cabitza 等，2021)。此外，尽管钢渣碳化在工业应用中实施的经济可行性在指导实际决策和可扩展性方面非常重要，但往往被忽视 (Ostovari 等，2023)。因此，关于工业规模钢渣碳化的研究仍然相对有限，这阻碍了 ISI 碳减排目标的实现 (Wu 等，2025)。

为解决这些问题，本研究提出了一个集成的机器学习 - 经济框架，以评估各种材料成分、工艺条件和工厂规模下钢渣的碳化潜力和经济可行性。通过从文献中汇编综合数据集，构建了几个 ML 模型。使用贝叶斯超参数优化来优化 ML 模型，以增强其预测性能。分析了这些模型的可解释性，以识别影响钢渣碳化的关键因素。此外，进行了经济分析以评估不同规模碳化工厂的盈亏平衡点。准确的碳化预测与经济可行性的结合允许对 CCS 技术进行更全面评估，为工艺配置的优化和最高碳化潜力钢渣的选择提供有价值的见解。

章节片段

数据收集与分析

本研究使用的数据集收集自从 Web of Science 和 Google Scholar 检索到的 56 篇出版物，包括 613 个数据点。文献检索使用了关键词“钢渣”与"CO₂"或“封存”。详细的数据筛选流程图见附录 A 图 S1。

数据集包括八个化学成分特征 (CaO, Al₂O₃, MgO, SiO₂, Fe₂O₃, MnO, TiO₂, P₂O₅)，八个工艺条件特征 (温度，CO₂

默认 ML 模型的性能

具有默认超参数的十个模型按照 2.2 模型开发，2.3 模型性能评估中描述的方法在训练集上进行了评估。集成树模型 (CatBoost, XGBoost, ET, RF, GBRT, and NGBoost) 表现出强烈的预测性能，所有模型的R2值均大于 0.810 (图 2)。这归因于它们捕捉特征之间非线性和交互关系的能力 (Friedman, 2001)。相比之下，其他

结论

本研究建立了一个集成的机器学习 - 经济框架，以评估各种材料成分、工艺条件和工厂规模下钢渣的碳化潜力和经济可行性。

• (1)
  在评估的模型中，XGBoost 在 BO 前后都持续提供了最佳的预测性能，训练集R²从 0.869 增加到 0.906。这证明了其在预测 CO₂ 封存率方面的强大准确性和鲁棒性

作者贡献声明

郭豪: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，软件，方法论，形式分析，数据管理。 焦文琦: 写作 – 审阅与编辑，指导，构思。 张明露: 写作 – 审阅与编辑，可视化，方法论。 冯宇欣: 写作 – 审阅与编辑。 戚冲冲: 写作 – 原稿，项目管理，资金获取，形式分析，构思。

数据可用性

数据可根据要求提供。

未引用参考文献

Liu 等，2026

CRediT 作者贡献声明

郭豪: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，软件，方法论，形式分析，数据管理。 焦文琦: 写作 – 审阅与编辑，指导，构思。 张明露: 写作 – 审阅与编辑，可视化，方法论。 冯宇欣: 写作 – 审阅与编辑。 戚冲冲: 写作 – 原稿，项目管理，资金获取，形式分析，构思。

郭豪 | 焦文琦 | 张明露 | 冯宇欣 | 戚冲冲