科学家利用机器学习，优化多孔碳材料的CO₂吸附能力

工业二氧化碳排放量是导致气候变化的主要原因之一。想要缓解气候变化，必须找到具有成本效益和可持续的方法，来减少工业二氧化碳（CO₂）排放。然而，大多数工业碳捕获和储存（CCS）方法都有很大的缺点，如成本高、有环境毒性或不可持续。在此背景下，研究人员发现，使用固体多孔碳材料进行二氧化碳吸附，很可能是下一代CCS系统的最佳选择，且人工智能也许能为此提供帮助。

使用多孔碳材料的一个优势是，它们可以从生物质废物中获得，如农业废物、食品废物、动物废物和森林残骸。这使得生物质废物衍生的多孔碳(BWDPCs)不仅成本低，而且还提供了一种将废物加以利用的替代方法。但是科学家对于BWDPCs应该如何合成，或者应该获取什么样的材料和成分，没有明确的指导方针或共识。

对此，韩国大学和新加坡国立大学的合作研究小组，采用了一种基于机器学习的方法，进一步深入研究。科学家指出，有三个核心因素影响着BWDPCs中的二氧化碳吸附性能：多孔固体的元素组成、其纹理特性、以及其运行时的吸附参数，如温度和压力。然而，在开发BWDPCs时应如何优先考虑这些核心因素，目前仍不清楚。

研究团队首先进行了文献回顾，选择了76篇描述BWDPCs合成和性能的出版物。经过整理，这些论文提供了500多个数据点，用于训练和测试三个基于树的模型。这些模型的输入特征是三个核心因素，而输出是二氧化碳的吸附水平。

通过特征分析，研究小组确定了哪些核心因素对于实现高二氧化碳吸附是最重要的。结果表明，吸附参数对模型做出正确预测的贡献，远远大于其他两个核心因素。BWDPCs的纹理特性，如其孔径和表面积，排在第二位，而其元素组成排在最后。

研究团队现在计划通过专注于优化两个最重要的核心因素来设计一个BWDPCs的合成策略。同时，研究小组希望这些努力能近一步帮助人类实现可持续发展社会，阻止气候变化。

题为“Applied Machine Learning for Prediction of CO2 Adsorption on Biomass Waste-Derived Porous Carbons”的相关研究论文发表在《环境科学与技术》上。

前瞻经济学人APP资讯组

原文论文：

https://pubs.acs.org/doi/10.1021/acs.est.1c01849