基于機(jī)器學(xué)習(xí)的多孔生物炭吸附 CO₂ 性能預(yù)測(cè)

中圖分類(lèi)號(hào)：TU528.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2096-6717（2025）03-0242-09

Prediction of CO₂ adsorption performance in porous biochar based on machine learning

CHEN Yifei’，ZHANG Xiaoqing'，TAN Kanghao12，WANG Junsong2，QIN Yinghong （1.SchoolofCivilEngineeringandArchitecture;KeyLaboratoryofDisasterPreventionandEngineeringSafetyof Guangxi， Guangxi University，Nanning 53Oo04，P.R. China; 2.State Key Laboratory of Subtropical Building Science，South China University of Technology，Guangzhou 5lo64o，P.R.China）

Abstract： CO₂ capture and sequestration （CCS） is an emission reduction measure with great potential. Porous biochar contains rich multi-scale pore structure，which makes it have excellent CO₂ adsorption performance. To address the shortcomings of traditional CO₂ adsorption prediction models built with experimental data，such as low accuracy and complicated calculation， this paper adopts machine learning methods such as gradient boosting decision tree（GBDT），extreme gradient enhancement algorithm （XGB）and light gradient booster algorithm （LGBM） to make model predictions of CO₂ adsorption by biochar，and conducts comparative analysis of the prediction results. The results showed that the three most important factors affecting CO₂ adsorption were the specific surface area，Ccontent，andOcontent of biochar inorder.Allthree algorithms could effctively predict the CO₂ adsorption performance of biochar. In comparison， LGBM has the highest prediction accuracy of 94% GBDT has a significant advantage in processing anomalous sample data; and XGB has more stable prediction results for diferent test set variations. When designing the adsorption performance of biochar，excessive surface area should not be blindly pursued.It is recommended that the selection of biochar C content should preferably be between 83% and 88% ，and O content should preferably be between 15% and 18%

Keywords： biochar; machine learning; CO₂ adsorption； feature importance；partial dependency map

溫室氣體積累導(dǎo)致全球變暖，已經(jīng)成為國(guó)際社會(huì)研究的熱點(diǎn)問(wèn)題[]。 CO₂ 作為最常見(jiàn)的溫室氣體，每年的排放量在不斷上升。根據(jù)全球碳排放組織發(fā)布的2020年年度分析報(bào)告，截至2020年，全球CO₂ 排放總量為520億t，預(yù)計(jì)2050年全球大氣中CO₂ 的質(zhì)量濃度將達(dá)到 898mg/m^3[2] 。控制 CO₂ 排放的主要方法之一為 CO₂ 捕集和封存（CCS），電力行業(yè)中燃煤發(fā)電排放量占總排放量的 40% ，是CCS技術(shù)應(yīng)用的主要領(lǐng)域[3。作為CCS技術(shù)的第一步，CO₂ 捕集技術(shù)可以分為化學(xué)吸收、物理吸收、物理吸附、膜分離等方法[4。其中物理吸附具有成本低、操作簡(jiǎn)單、熱和化學(xué)性質(zhì)穩(wěn)定、 CO₂ 負(fù)載能力高等優(yōu)點(diǎn)[5]。近年來(lái)，多孔炭材料因獨(dú)特的理化特性和高穩(wěn)定性而被認(rèn)為是一種非常有前景的高效材料，可用作低溫 CO₂ 固體吸附劑。目前，多孔生物炭材料的種類(lèi)繁多，但對(duì)其用于 CO₂ 吸附的機(jī)理鮮有研究。

生物炭對(duì) CO₂ 的吸附性能主要取決于生物質(zhì)原料類(lèi)型和炭化方法[7-9]。例如，Cao等[10]發(fā)現(xiàn)，木材生物炭的 CO₂ 吸附容量在 100kPa 下達(dá)到 45.85mg/g （ 25^°C），41.23mg/g（0^°C） ，主要受比表面積與堿度控制。Tiwari等[1]使用低成本環(huán)氧樹(shù)脂制備了KOH活性富氮多孔炭，其比表面積達(dá) 總孔隙體積達(dá) 4.50cm³/g ，同時(shí)具有豐富的含◎官能團(tuán)和堿性官能團(tuán)，促進(jìn)了 CO₂ 的吸附。此外，Yang等[12使用椰子殼制備了孔和高 CO₂ 吸附能力的多孔炭，具有大量微發(fā)現(xiàn)微孔孔徑對(duì)常壓下 CO₂ 的吸附性能有顯著影響。上述研究表明，生物質(zhì)多孔炭的制備技術(shù)已相對(duì)成熟，大部分生物質(zhì)原料經(jīng)過(guò)簡(jiǎn)單炭化和活化制備即可獲得良好的 CO₂ 吸附性能。但是，如何尋找理想的 CO₂ 捕獲材料仍然是一個(gè)巨大挑戰(zhàn)。相較于傳統(tǒng)的實(shí)驗(yàn)分析、理論計(jì)算和模擬等方法，應(yīng)用機(jī)器學(xué)習(xí)篩選 CO₂ 捕獲材料正受到廣泛關(guān)注[13-14]。Abdi等[15]使用輕型梯度增壓機(jī)（LGBM）、極端梯度增強(qiáng)算法（XGB）、隨機(jī)森林（RF）等算法預(yù)測(cè)了19種不同的金屬有機(jī)框架對(duì)CO₂ 的吸附能力，發(fā)現(xiàn)XGB算法對(duì)預(yù)測(cè) CO₂ 吸附性能最佳。類(lèi)似地，Halalsheh等16]利用AdaBoost、XGB、LGBM、CatBoost算法預(yù)測(cè)了鐵涂層天然沸石吸附金屬離子的能力，結(jié)果表明，這4種算法對(duì)金屬吸附均有良好的預(yù)測(cè)精度。Yuan等[17使用梯度提升決策樹(shù)（GBDT）預(yù)測(cè)了多孔炭吸附 CO₂ 的能力，得到訓(xùn)練集和測(cè)試集的 R² 分別為0.98和0.84。然而，不同的機(jī)器學(xué)習(xí)算法對(duì)于不同范圍的數(shù)據(jù)集具有不同的敏感度，因此，需要針對(duì)特定的材料數(shù)據(jù)樣本選擇合適的算法，并使用相應(yīng)的性能評(píng)估手段評(píng)價(jià)其優(yōu)劣。

基于此，筆者分別采用GBDT、XGB、LGBM三種機(jī)器學(xué)習(xí)算法，建立生物炭對(duì) CO₂ 吸附性能的預(yù)測(cè)模型，評(píng)估各個(gè)預(yù)測(cè)模型的優(yōu)劣和可靠性。

1 材料和方法

1. 1 數(shù)據(jù)收集和處理

收集334個(gè)數(shù)據(jù)樣本，并以此構(gòu)建預(yù)測(cè)生物炭對(duì) CO₂ 吸附性能的數(shù)據(jù)模型。數(shù)據(jù)集包含不同原料類(lèi)型，如甘蔗渣、竹子、松木、樹(shù)皮、家禽垃圾、稻草等。原始數(shù)據(jù)收集過(guò)程中主要考慮生物炭的制備工藝和自身理化特性，包括熱解溫度 P_ts 熱解速率、元素組成 （C，H，O，N） 、比表面積 S_BET 、總孔隙體積V_t、 微孔體積 V_m，CO₂ 吸附量 A_c? 激活溫度、原料類(lèi)型及 pH 值等13種特征值。由于原材料來(lái)源廣泛，不易統(tǒng)計(jì)，且影響生物炭吸附 CO₂ 性能的關(guān)鍵因素為孔隙特征與化學(xué)性質(zhì)，故將原材料類(lèi)型剔除。此外，數(shù)據(jù)集可能存在缺失值，當(dāng)數(shù)據(jù)缺失率達(dá) 70% 以上，則會(huì)刪除該參數(shù)屬性。對(duì)于輸入的生物炭自身參數(shù)，其中，激活溫度、pH值數(shù)據(jù)都不足 70% ，從而排除在模型開(kāi)發(fā)之外。對(duì)于其他部分?jǐn)?shù)據(jù)缺失值，采用平均值替代，以保證數(shù)據(jù)的連續(xù)性[18]。

圖1所示為采用10倍交叉驗(yàn)證來(lái)尋找模型的最優(yōu)特征值變量。由圖1可見(jiàn)，特征值的輸入變量最佳個(gè)數(shù)為8，即生物炭的元素組成與熱解條件 （P_t， S_BET?V_tsV_{m，C，H，O，N}） 。表1給出了8種輸入變量與輸出變量的平均值、最大最小值及四分位數(shù)。可以看出，熱解溫度、比表面積、O元素特征變量標(biāo)準(zhǔn)差值較大，說(shuō)明數(shù)據(jù)覆蓋范圍廣，具有很高的泛化性能。不同的分位數(shù)則直觀地反映了數(shù)據(jù)的集中情況，證明了數(shù)據(jù)的有效性。此外，圖2進(jìn)一步比較了各個(gè)變量的直方圖與核密度圖，發(fā)現(xiàn)各個(gè)輸入變量的特征均呈近似正態(tài)分布，而且各個(gè)變量的核密度分布均呈現(xiàn)出明顯的波峰狀，說(shuō)明各個(gè)變量的數(shù)據(jù)集中密集，沒(méi)有呈現(xiàn)多極分化的現(xiàn)象，從而提高了模型的普適性。

由于各個(gè)參數(shù)數(shù)值范圍不同，采用數(shù)據(jù)標(biāo)準(zhǔn)化處理，得到符合標(biāo)準(zhǔn)的正態(tài)分布函數(shù)，以解決各個(gè)指標(biāo)之間的可比性問(wèn)題。其正態(tài)分布函數(shù)如式（1）所示。

式中： X_i 為原始數(shù)據(jù)； ρ 為所有樣本的均值； σ 為所有樣本的標(biāo)準(zhǔn)差。

1. 2 算法基本原理

1.2.1 GBDT算法

GBDT（gradientboostingdecisiontree）算法使用CART回歸決策樹(shù)，常用于處理回歸、二分類(lèi)與多分類(lèi)問(wèn)題。GBDT算法的核心是通過(guò)每次迭代都以真實(shí)值與預(yù)測(cè)值之差作為學(xué)習(xí)目標(biāo)，直至差值小于某個(gè)接近0的閾值。其主要流程為將多個(gè)弱分類(lèi)器結(jié)合起來(lái)得到強(qiáng)分類(lèi)器的結(jié)果。

1.2.2 XGB算法

XGB（extremegradientboosting）算法是一種基于GBDT算法的改進(jìn)型，擁有更快的數(shù)據(jù)訓(xùn)練速度和更準(zhǔn)確的預(yù)測(cè)精度。與傳統(tǒng)的GDBT算法相比，XGB算法在目標(biāo)函數(shù)中增加了正則化，從而控制模型的復(fù)雜度。此外，XGB算法對(duì)損失函數(shù)進(jìn)行了二階泰勒展開(kāi)，使得預(yù)測(cè)結(jié)果不易過(guò)擬合，具有更高的擴(kuò)展性[19]。雖然XGB算法中樹(shù)與樹(shù)之間是串行關(guān)系，但同層級(jí)節(jié)點(diǎn)可以并行，且模型分裂出的新樹(shù)可根據(jù)上次預(yù)測(cè)的殘差進(jìn)行擬合，自動(dòng)學(xué)習(xí)缺失值的分裂方向，這使得XGB算法能夠處理高維稀疏特征的表格數(shù)據(jù)。

1.2.3 LGBM算法

LGBM（lightgradientboostingmachine）算法是一種高效、低內(nèi)存占用、高精確度的數(shù)據(jù)科學(xué)工具，被廣泛應(yīng)用于數(shù)據(jù)模型的預(yù)測(cè)中。相較于XGB算法，LGBM在決策樹(shù)進(jìn)行特征分裂時(shí)使用梯度大、殘差大的樣本來(lái)生成樹(shù)，與GBDT中更改樣本殘差有相似之處。這樣使模型對(duì)某些特定訓(xùn)練樣本有較好的劃分能力，從而加大樹(shù)與樹(shù)之間的異質(zhì)性，對(duì)于模型加權(quán)有更大提升。如圖3所示，LGBM對(duì)提取特征采取并行算法，數(shù)據(jù)并行中使用分散規(guī)則將直方圖合并任務(wù)分給不同機(jī)器，利用直方圖作差，使計(jì)算時(shí)間大大縮短。

1.3 模型性能評(píng)估

引人平均絕對(duì)誤差（meanabsoluteerror，MAE）、均方根誤差（rootmean square error，RMSE）及回歸系數(shù) R² 值作為泛化性能評(píng)估，計(jì)算式為

式中： e^（i） 為預(yù)測(cè)值； u^（i） 為真實(shí)值； 為試驗(yàn)平均值； m為樣本數(shù)量。

2 結(jié)果分析

2.1 特征重要性分析

將8個(gè)輸人變量 （P_t，S_BET，V_t?V_m?C，H，0，N） 和輸出變量 CO₂ 吸附量 （A_c） 的數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)差歸一化。為度量?jī)蓚€(gè)變量之間的相關(guān)程度，引入對(duì)原始數(shù)據(jù)要求較低的皮爾遜相關(guān)系數(shù)（Pearson'sCorrelationCoefficient，PCC）進(jìn)行特征篩選，其計(jì)算公式為

式中： x_i，y_i 為數(shù)據(jù)集中的兩個(gè)變量。圖4（a）所示為8種變量對(duì) CO₂ 吸附量的PCC相關(guān)系數(shù)熱力圖。T ^{CC∈[-1，1]} PCCgt;0 或 lt;0 代表兩變量之間呈正負(fù)相關(guān)，而 PCC=0 則代表兩變量沒(méi)有關(guān)聯(lián)。PCC絕對(duì)值大小代表對(duì)輸出變量的重要性、相關(guān)性大小。

此外，圖4（b）（c）進(jìn)一步可視化了輸入變量和輸出變量之間的PCC值，由圖可知，影響生物炭CO₂ 吸附量的前3個(gè)因素依次為 S_BET，O 含量、C含量。這可能是因?yàn)樯锾枯^大的比表面積提供了更多的吸附位點(diǎn)，并提高了顆粒表面與 CO₂ 之間的相互作用[20]。其次，含C、O官能團(tuán)會(huì)極大影響生物炭表面酸堿度，這些官能團(tuán)的引人會(huì)顯著影響生物炭對(duì) CO₂ 的吸附過(guò)程[21]。此外，微孔體積對(duì)生物炭吸附性能的貢獻(xiàn)比總空隙體積更顯著，這也符合微孔比中孔和大孔比表面積更大的規(guī)律，故微孔在吸附過(guò)程中同樣發(fā)揮著重要作用[22]。結(jié)合圖4（a）發(fā)現(xiàn)， P_t 與 S_BET 、 有較強(qiáng)的相關(guān)度，可進(jìn)一步分析熱解溫度對(duì)生物炭吸附 CO₂ 性能的間接作用。同樣，圖4（c）分析了不同元素組成 （C，H，O，N） 對(duì)生物炭孔隙結(jié)構(gòu)特征 的依賴(lài)性。結(jié)果發(fā)現(xiàn)，對(duì) V_m 影響最大是N元素 |PCC|_N=0.2） 。O、H元素含量對(duì) 具有較高的重要性（ |PCC|≈0.3） ，而 S_BET 對(duì)N、C元素也十分敏感（ |PCC|≈0.13? 。此結(jié)果進(jìn)一步證實(shí)了可以采用 HNO₃，KOH，H₂O₂ 等活化劑對(duì)生物炭進(jìn)行改性，從而增加生物炭比表面積、孔容量和表面官能團(tuán)[23-25]

2.2 模型比較分析

模型的預(yù)測(cè)精度、對(duì)異常樣本處理的穩(wěn)定性是衡量模型優(yōu)劣的關(guān)鍵指標(biāo)。圖5對(duì)比了3種算法模型的預(yù)測(cè)結(jié)果，圖中紅線區(qū)域代表 90% 置信區(qū)間，藍(lán)線代表訓(xùn)練集回歸線，偏離紅線的預(yù)測(cè)點(diǎn)可視為波動(dòng)性大的樣本。

由圖5可知，GBDT、XGB、LGBM三種算法模型的擬合回歸線幾乎與直線 y=x 重合，預(yù)測(cè)結(jié)果可靠性較高。其中，LGBM模型的預(yù)測(cè)精度最高， R²= 0.94。這是因?yàn)長(zhǎng)GBM算法擁有并行計(jì)算、優(yōu)化緩存、加速計(jì)算等優(yōu)點(diǎn)，在預(yù)測(cè)精度與計(jì)算時(shí)間方面更加優(yōu)異[26]。同時(shí)可以看出，GBDT模型RMSE波動(dòng)最?。?|ΔRMSE|lt;0.04） ，而XGB、LGBM模型中RMSE波動(dòng)較大，且出現(xiàn)了紅圈標(biāo)注的異常樣本。此外，隨著測(cè)試集比例的增大，GBDT和LGBM模型的預(yù)測(cè)回歸線發(fā)生了顯著的變化，而XGB模型預(yù)測(cè)回歸線則保持相對(duì)穩(wěn)定。這可能是因?yàn)閄GB算法內(nèi)引入了正則項(xiàng)作為模型復(fù)雜的懲罰，有效限制了模型的過(guò)擬合，所以其整體穩(wěn)定性不會(huì)因?yàn)闇y(cè)試集比例劃分增大而發(fā)生變化。

2.3 部分依賴(lài)分析

部分依賴(lài)（partialdependence，PD）是將分析目標(biāo)值與特征之間的交互關(guān)系進(jìn)行可視化。使用PD分析了生物炭對(duì) CO₂ 吸附性能影響最顯著的3個(gè)變量 S_BET，C 含量、O含量）之間的相互依賴(lài)關(guān)系。由圖6（a）可知，隨著比表面積 S_BET 的增大，生物炭對(duì)CO₂ 吸附性能呈先增大后平緩的趨勢(shì)。當(dāng) S_BET 高于1300m²/g 時(shí)，進(jìn)一步增大比表面積不再顯著提高其吸附性能。圖6（b）（f以等高線云圖分析了生物炭 S_BET 與 c.o 含量雙因素對(duì) CO₂ 吸附性能的依賴(lài)性。結(jié)果表明，當(dāng) S_BET 介于 1300～1700m²/g ，生物炭對(duì) CO₂ 的吸附性能主要受比表面積控制，但C、O含量不能被忽略。當(dāng) S_BET 超過(guò) 1700m²/g 時(shí)，生物炭的C、O含量對(duì) CO₂ 吸附性能的依賴(lài)性逐漸減弱。這可能是因?yàn)殡S著比表面積的增加，吸附位點(diǎn)對(duì)周?chē)畧F(tuán)和 CO₂ 的吸附形成競(jìng)爭(zhēng)關(guān)系，抑制了 CO₂ 的分配[27]。受益于這一點(diǎn)啟發(fā)，在設(shè)計(jì)生物炭吸附性能時(shí)，不應(yīng)盲目追求過(guò)高的表面積。建議生物炭C含量?jī)?yōu)先選擇 83%～88% 之間，0含量?jī)?yōu)先選擇15%～18% 之間。

熱解溫度是影響生物炭物理性質(zhì)的決定性因素[28]。圖7分析了生物炭熱解溫度對(duì) CO₂ 吸附性能的部分依賴(lài)關(guān)系?？梢钥闯觯弘S著熱解溫度的上升，生物炭對(duì) CO₂ 的吸附性能呈先上升后下降的趨勢(shì)。這是因?yàn)楦邷叵律锾績(jī)?nèi)部的纖維素被分解，揮發(fā)性化合物蒸發(fā)，從而提高了生物炭孔隙率并增大了其比表面積[29]。當(dāng)溫度繼續(xù)升至 700^°C 時(shí)，較高的熱解溫度使其吸附性能提高的同時(shí)降低了產(chǎn)率，進(jìn)而造成生物炭整體吸附性能下降[30]。除熱解溫度外，生物質(zhì)原材料也會(huì)影響生物炭對(duì) CO₂ 的吸附性能。圖7中進(jìn)一步分析了4種不同生物炭類(lèi)型的吸附性能，發(fā)現(xiàn)糞便生物炭對(duì) CO₂ 的吸附性能遠(yuǎn)低于木質(zhì)類(lèi)或草本類(lèi)生物炭。這可能是由于糞便生物炭具有較低的C含量，且擁有較多礦物晶體，導(dǎo)致熱解后的孔隙結(jié)構(gòu)難以形成[31]。此外，木質(zhì)類(lèi)或草本類(lèi)生物炭自身?yè)碛休^大的表面積和更多的活性位點(diǎn)，因此，對(duì) CO₂ 吸附性能更佳[32]。例如，木屑生物炭在 440^°C 時(shí)吸附性能達(dá)到最優(yōu)。

3討論

使用機(jī)器學(xué)習(xí)方法建立了生物炭對(duì) CO₂ 吸附性能的預(yù)測(cè)模型，采用皮爾遜相關(guān)系數(shù)評(píng)估各變量的重要性，同時(shí)使用部分依賴(lài)分析3個(gè)最顯著的影響因素，以增強(qiáng)模型的可解釋性。根據(jù)特征選擇，確定了8個(gè)輸人變量 （S_BET?V_t?V_m?C 含量、H含量、O含量、N含量 ?_?P_t） 和一個(gè)輸出變量 （A_c） ，從而構(gòu)建了CO₂ 吸附量數(shù)據(jù)集。使用GBDT、XGB、LGBM三種模型進(jìn)行預(yù)測(cè)，并在測(cè)試集劃分比例與異常樣本變化方面進(jìn)行了穩(wěn)定性分析。3種算法模型的訓(xùn)練性能評(píng)估結(jié)果如表2所示。可以看出，LGBM模型表現(xiàn)最佳，其次為XGB模型、GBDT模型，改進(jìn)的增強(qiáng)模型在精度上明顯優(yōu)于常用的決策樹(shù)模型。不同算法對(duì)材料數(shù)據(jù)的預(yù)測(cè)效果存在差異。LGBM算法適用于對(duì)精度要求高的數(shù)據(jù)集，其在預(yù)測(cè) CO₂ 吸附性能方面精度最高。GBDT算法對(duì)處理儀器精度不高、試驗(yàn)誤差大的數(shù)據(jù)集更有效，特別擅長(zhǎng)處理異常樣本數(shù)據(jù)。XGB算法對(duì)測(cè)試集劃分比例影響較小，適合處理數(shù)據(jù)集出現(xiàn)缺失值較多、需要擴(kuò)大測(cè)試集比例的情況，具有較高可靠度。

對(duì)8個(gè)輸入變量進(jìn)行了皮爾遜相關(guān)系數(shù)分析，結(jié)果表明， S_BET，C 含量、O含量3個(gè)輸入變量對(duì)生物炭吸附 CO₂ 特征重要性影響最顯著，與Zhang等[33]的研究結(jié)果一致。Zhang等[33認(rèn)為 S_BET 對(duì)生物炭的吸附性能貢獻(xiàn)比 更顯著，原因在于大孔隙結(jié)構(gòu)更有助于氣體的傳播和擴(kuò)散。選取對(duì)特征影響最大的3個(gè)輸人變量進(jìn)一步進(jìn)行部分依賴(lài)分析，發(fā)現(xiàn)低溫?zé)峤猓?∠500^°C 原材料中的揮發(fā)性氣體逸散導(dǎo)致生物炭微孔隙得到發(fā)育，從而增強(qiáng)了其對(duì) CO₂ 的吸附能力；高溫?zé)峤猓?gt;700^°C 時(shí)，生物炭孔隙結(jié)構(gòu)收縮，熱解溫度過(guò)高使大量?jī)?nèi)部結(jié)構(gòu)物質(zhì)軟化、融化甚至氣化，導(dǎo)致微孔空隙大量消失，使吸附性能顯著降低[34-35]

該模型不僅考慮了生物炭本身化學(xué)組成成分、熱解條件，還考慮了生物炭物理性質(zhì)特征，從而提高了預(yù)測(cè)結(jié)果的泛化精度。所使用的數(shù)據(jù)集是在100kPa 與 25^°C 外界條件下測(cè)得的，但在不同的氣壓和溫度條件下， CO₂ 吸附性能可能會(huì)有不同的表現(xiàn)。因此，外部因素對(duì)生物炭吸附 CO₂ 性能的影響仍需要進(jìn)一步探討。部分依賴(lài)分析只考慮了8種輸入變量之間的關(guān)系，并未考慮KOH或 K₂CO₃ 在不同溫度下活化的生物炭對(duì) CO₂ 吸附性能的影響。此外，未來(lái)的研究將進(jìn)一步通過(guò)試驗(yàn)來(lái)驗(yàn)證所建立模型的可靠性，為今后建立生物炭智慧碳庫(kù)提供更好的數(shù)據(jù)和借鑒。

4結(jié)論

采用GBDT、XGB、LGBM三種機(jī)器學(xué)習(xí)模型對(duì)生物炭吸附 CO₂ 的性能進(jìn)行了預(yù)測(cè)，將3種模型的精度與穩(wěn)定性進(jìn)行了對(duì)比與分析，以確定不同表征下生物炭對(duì) CO₂ 的吸附能力，得出以下結(jié)論：

1）影響生物炭 CO₂ 吸附量的前3個(gè)因素依次為比表面積 S_BET?C 含量、O含量，選擇比表面積較大或C、O含量豐富的生物炭更有利于碳封存和捕捉。

2）不同算法對(duì)材料數(shù)據(jù)不同性能的預(yù)測(cè)效果存在差異。LGBM算法適用于對(duì)精度要求高的數(shù)據(jù)集；GBDT算法適用于處理異常樣本和試驗(yàn)誤差大的數(shù)據(jù)集；而XGB算法對(duì)測(cè)試集劃分比例和缺失值的處理更具有可靠性。

3）預(yù)測(cè)部分依賴(lài)圖結(jié)果表明，生物炭表面積S_BET 超過(guò) 1300m²/g 時(shí)， CO₂ 吸附性能不再明顯增強(qiáng)。當(dāng) 1000m²/gBETlt;1700m²/g 時(shí)，需考慮生物炭本身碳、氧含量對(duì)吸附性能的影響，超過(guò)1700m²/g 時(shí)，生物炭吸附 CO₂ 性能由表面積決定。在熱解溫度為 300～700^°C 時(shí)，生物炭進(jìn)行 CO₂ 吸附效果最好，其中木屑生物炭在 440^°C 熱解溫度時(shí)達(dá)到最佳吸附效果。

參考文獻(xiàn)

[1]DISSANAYAKEPD，CHOISW，IGALAVITHANAAD，etal. Sustainable gasification biochar as ahigh efficiency adsorbent for CO₂ capture：A facile method to designer biochar fabrication [J].Renewable and Sustainable Energy Reviews，2020，124：109785.

[2]張宇航，李偉，馬春慧，等.多孔炭材料吸附 CO₂ 研究 進(jìn)展[J].林產(chǎn)化學(xué)與工業(yè)，2021，41（1）：107-122. ZHANGYH，LIW，MACH，etal.Progressof research on CO₂ adsorption by porous carbon materials [J].Chemistry and Industry of ForestProducts，2O2l，41 （1）：107-122.（in Chinese）

[3]ZHANG X，ZHANG SH，YANGHP，et al. Nitrogen enriched biochar modified by high temperature CO₂ 1 ammonia treatment：Characterization and adsorption of CO₂ [J].Chemical Engineering Journal，2Ol4，257： 20-27.

[4］董華松，黃文輝. CO₂ 捕捉與地質(zhì)封存及泄漏監(jiān)測(cè)技術(shù) 現(xiàn)狀與進(jìn)展[J].資源與產(chǎn)業(yè)，2010，12（2）：123-128. DONG HS，HUANG WH.Research of CO₂ capture， geological storage and leakage technologies [J]. Resourcesamp;.Industries，2010，12（2）： 123-128.（in Chinese）

[5］崔鴻.堿金屬鹽修飾中高溫 CO₂ 固體吸附材料的構(gòu) 效關(guān)系和吸附機(jī)理研究[D].上海：華東理工大學(xué)， 2021. CUIH J. Structure-performancerelationshipand sorption mechanisms of alkali metal salt-promoted solid sorbents for intermediate-and high-temperature CO₂ （204 capture [D]. Shanghai： East China University of Science andTechnology，202l.（inChinese）

[6］張琳，劉洪波，張紅波.雙電層電容器用多孔炭材料的研究與開(kāi)發(fā)[J].炭素，2003（4）：3-9. ZHANGL，LIUHB，ZHANGHB.Researchand development of porous carbon materials for electric doublelayer capacitor[J]. Carbon，2003（4）： 3-9. （in Chinese）

[7]SEOWYX，TANYH，MUBARAKNM，et al.A review on biochar production from different biomass wastes by recent carbonizationtechnologies and its sustainable applications [J]. Journal of Environmental Chemical Engineering，2022，10（1）： 107017.

[8]YUEL M，XIA Q Z，WANG L W，et al. CO₂ （20 adsorption at nitrogen-doped carbons prepared by K₂CO₃ activation of urea-modified coconut shell[J]. Journal of Colloid and Interface Science，2018，511： 259-267.

[9] WANG R T， WANG P Y， YAN X B， et al. Promising porous carbon derived from celtuce leaves with outstanding supercapacitance and CO ¹² capture performance [J]. ACS Applied Materials amp; Interfaces，20l2， 4（11）： 5800- 5806.

[10]CAOLY，ZHANG XY，XUY，et al.Straw and wood based biochar for CO₂ capture： Adsorption performance and governing mechanisms [J]. Separation and Purification Technology，2022，287： 120592.

[11] TIWARI D，BHUNIA H，BAJPAI P K． Ureaformaldehyde derived porous carbons for adsorption of CO₂ [J]. RSC Advances，2016，6（113）： 111842-111855.

[12]YANG JE，YUEL M，HUX，et al.Efficient CO 2 （20 capture by porous carbons derived from coconut shell [J]. Energyamp; Fuels，2017，31（4）： 4287-4293.

[13]YANG X P，YUAN C，HE S R，et al.Machine learning prediction of specific capacitance in biomass derived carbon materials： Effects of activation and biochar characteristics [J]. Fuel，2O23，331： 125718.

[14]ZHUXZ，TSANGDCW，WANGL，etal.Machine learning explorationofthecritical factors for CO₂ adsorption capacity on porous carbon materials at different pressures[J].Journal of Cleaner Production，2O2O，273： 122915.

[15] ABDI J，HADAVIMOGHADDAM F，HADIPOOR M， et al. Modeling of CO₂ adsorption capacity by porous metal organic frameworks using advanced decision treebased models [J]. Scientific Reports，2021，11： 24468.

[16] HALALSHEH N，ALSHBOUL O，SHEHADEH A， et al.Breakthrough curves prediction of selenite adsorp tion on chemically modified zeolite using boosted deci sion tree algorithms for water treatment applications [J]. Water，2022，14（16）： 2519.

[17] YUAN X Z， SUVARNA M， LOW S， et al. Applied machine learning for prediction of CO 2 adsorption on biomass waste-derived porous carbons [J]. Environmental Science amp; Technology，2021， 55（17）： 11925-11936.

[18] LI Y Z，GUPTA R，YOU S M. Machine learning assisted prediction of biochar yield and composition via py rolysis of biomass [J].Bioresource Technology，2022， 359： 127511.

[19]熊余婷.基于XGB_BN模型的福州市水質(zhì)評(píng)價(jià)研究 [D].福州：福建師范大學(xué)，2021. XIONG Y T. Study on water quality evaluation of Fuzhou city based on XGB_BN model [D].Fuzhou： Fujian Normal University，2021.（in Chinese）

[20] ZHAO H，LIU X，CAO Z，et al. Adsorption behavior and mechanism of chloramphenicols，sulfonamides，and non-antibiotic pharmaceuticals on multi-walled carbon nanotubes [J]. Journal of Hazardous Materials，2016， 310：235-245.

[21] ZHANG Y，WANG S Z， FENG D D，et al. Functional biochar synergistic solid/liquid-phase CO 2 capture：A review[J]. Energyamp; Fuels，2022，36（6）： 2945-2970.

[22] ZHANG S J， SHAO T，KOSE H S，et al. Adsorption of aromatic compounds by carbonaceous adsorbents：A comparative study on granular activated carbon，activated carbon fiber，and carbon nanotubes [J].Environmen tal Science amp;. Technology，2010，44（16）： 6377-6383.

[23] JIAO S，CHENG L，LIP， et al. Study on fatigue crack monitoring of metallic aircraft structure basedon attached eddy current sensor [M]//Structural Health Monitoring and Integrity Management. CRC Press， 2015：239-245.

[24] JIN H M，CAPAREDA S，CHANG Z Z，et al. Biochar pyrolytically produced from municipal solid wastes for aqueous As（V） removal： Adsorption property anditsimprovementwith KOH activation[J]. Bioresource Technology，2014，169： 622-629.

[25] ZUO X J，LIU ZG，CHEN M D. Effect of H₂O₂ concentrations on copper removal using the modified hydrothermal biochar [J].Bioresource Technology，2016， 207：262-267.

[26] CHEN HY，LI X Y，F(xiàn)ENG Z B，et al. Shield atitude prediction based on Bayesian-LGBM machine learning [J]. Information Sciences，2023，632：105-129.

[27] ZHU X Z，HE MJ，SUN YQ，et al. Insights into the adsorption of pharmaceuticals and personal care products （PPCPs）on biochar and activated carbon with the aid of machine learning [J]. Journal of Hazardous Materials， 2022，423：127060.

[28]WOOLF D，AMONETTE J E，STREET-PER ROTT F A，et al. Sustainable biochar to mitigate global climate change [J]. Nature Communications，2010， 1： 56.

[29] GRAY M， JOHNSON M G，DRAGILA M I，et al. Water uptake in biochars：The roles of porosity and hydrophobicity [J]. Biomass and Bioenergy，2014，61： 196-205.

[30]KUAHW，PEDAPATIC，LEERV，etal.Effectof indoor contamination on carbon dioxide adsorption of wood-based biochar：Lessons for direct air capture[J]. Journal ofCleanerProduction，20l9，2lO：860-871.

[31] ZHAOL，CAO XD，MASEKO，et al.Heterogeneity ofbiochar propertiesasa functionof feedstock sources and production temperatures [J].Journal of Hazardous Materials，2013，256/257：1-9.

[32]WANG S S，GAO B，ZIMMERMAN A R，et al. Physicochemical andsorptive propertiesof biochars derivedfrom woody and herbaceous biomass[J]. Chemosphere，2015，134：257-262.

[33] ZHANG K，ZHONG S F，ZHANG H C. Predicting aqueous adsorption of organic compounds onto biochars， carbon nanotubes，granularactivated carbons，and resins with machine learning [J]. Environmental Scienceamp;. Technol0gy，2020，54（11）： 7008-7018.

[34]GUO J，CHONG LUA A.Characterization of chars pyrolyzed from oil palm stones for the preparation of activated carbons [J]. Journal of Analytical and Applied Pyrolysis，1998，46（2）：113-125.

[35]FUP，YIWM，BAIXY，etal.Effectof temperature on gas composition and char structural features of pyro lyzed agricultural residues [J]. Bioresource Technology， 2011，102（17）：8211-8219.

（編輯胡玲）