背景介绍

面对CO₂排放激增带来的严峻环境压力，碳捕集、利用与封存（CCUS）成为关键的减排路径。其中，生物质炭材料以其原料来源广、制备成本低、孔隙结构发达、表面官能团丰富等独特优势，在CO₂吸附领域展现出广阔前景。孔隙结构和表面化学组成是决定生物炭CO₂吸附性能的关键因素，且其作用效果受到吸附压力、温度等外部工况条件的显著影响。在CO₂捕集与分离的实际工业应用中，往往面临多变复杂的吸附环境。例如，燃煤电厂烟气通常为高温CO₂/N₂混合体系，而沼气净化则涉及常温CO₂/CH₄混合体系。因此，在多工况条件下，系统揭示生物炭的理化性质与CO₂吸附分离性能之间的匹配关系，对于开发面向特定应用场景的高性能吸附材料具有重要意义。

本研究基于极端梯度提升（XGB）算法分别构建了CO₂、N₂、CH₄吸附量预测模型，并基于此建立了CO₂/N₂和CO₂/CH₄吸附选择性预测耦合模型。通过Shaply加性解释（SHAP）进行了特征重要性分析和部分依赖性分析，系统阐明了多工况条件下生物质炭理化性质对CO₂吸附分离性能的影响机制。

图文解读

基于3366组生物炭CO₂吸附数据，分别构建了不同温度（0 °C和25 °C）和压力区间（0-0.3 bar、0.3-0.6 bar和0.6-1 bar）下的吸附量预测模型。特征重要性分析（图1）表明，孔隙结构参数（比表面积（S_BET）+总孔体积（V_t）+微孔各孔径区间孔体积（V_0.4-0.6、V_0.6-0.8、V_0.8-1、V_1-1.5、V_1.5-2）+介孔体积（V_mes））表现出比化学组成参数（C+H+N+O）更大的特征重要性，尤其<1 nm的窄微孔结构贡献最为突出。进一步分析发现，吸附条件对各特征参数的重要性具有显著影响。随着压力升高，对CO₂捕获起关键作用的优势孔径范围向较大孔径发展，同时化学组成的重要性减弱。而温度升高则增强了化学组成的重要性。在各元素中，氮元素含量对吸附量的影响最为显著，尤其在0-0.3 bar的低压条件下，其特征重要性居首位，突出氮掺杂在CO₂捕集中的关键作用。

图1. CO₂吸附量预测模型各特征参数的特征重要性分析（P、PS、CC分别代表压力、孔隙结构、化学组成）

部分依赖分析（图2）结果显示，随着S_BET、V_t、V_0.4-0.6、V_0.6-0.8、V_0.8-1增大，其SHAP值同步上升，表明发达的总孔隙结构和窄微孔结构对CO₂的吸附具有显著促进作用。然而，当V_t超过1.5 cm³/g时，其进一步增加对吸附容量的提升效果有限，此时应考虑优化孔径分布以发展窄微孔结构。在元素组成方面，氮元素对CO₂的捕获具有明显贡献，尤其当氮含量较低（＜7 wt%）时，提升氮含量可显著增强生物炭的CO₂吸附能力。

图2. CO₂吸附量预测模型各特征参数的部分依赖分析

CO₂/N₂选择性预测模型的SHAP特征重要性分析和部分依赖分析（图3）显示，混合气体中的CO₂分压对吸附选择性的影响最为显著，随CO₂分压增大，选择性显著减小。相比之下，吸附温度对选择性无明显影响。在生物炭理化性质中，CO₂/N₂吸附选择性主要受化学组成的影响（化学组成的贡献程度为28.9%，孔隙结构为19.6%），这一特征与主要受孔隙结构主导的CO₂吸附过程存在差异。原因在于窄微孔（V_n），比表面积等关键孔隙结构参数对CO₂与N₂吸附均有重要贡献，难以通过孔结构实现有效分离。而化学组成，尤其是仅对CO₂吸附具有高贡献程度的氮元素，是对CO₂/N₂选择性具有最大的特征重要性的参数，并表现出显著的正向作用。

图3. CO₂/N₂吸附选择性预测模型各特征参数特征重要性及部分依赖分析

CO₂/CH₄选择性预测模型的SHAP特征重要性分析和部分依赖分析（图4）结果表明，与CO₂/N₂分离过程中的规律相似，窄微孔及氮、氧官能团均具有较大的特征重要性。不同的是，CO₂/CH₄选择性更加依赖孔隙结构而非化学组成（孔隙结构的贡献程度为25.5%，化学组成为23.1%），尤其是窄微孔具有最大的特征重要性，并具有显著的正相关性。该现象源于三种气体的分子性质差异：CO₂和CH₄极化率相近但分子直径差异显著，因此氮、氧等极性官能团的存在对CO₂和CH₄的捕获均有显著作用，从而削弱了化学组成对CO₂/CH₄选择性的影响，主要通过窄微孔与CO₂间的强分子间作用力实现有效分离。而对于CO₂和N₂，二者分子直径相近但极化率差异较大，故更加依赖于化学官能团对CO₂的实现选择性分离。

图4. CO₂/CH₄吸附选择性预测模型各特征参数特征重要性及部分依赖分析

为验证所构建预测模型的准确性，本研究以木质素为前驱体合成了一系列具有不同理化特性的生物质炭材料，图5展示了气体吸附量与选择性的预测值与实测值的对比结果。结果表明，吸附预测模型的精度较高（R²均大于0.9），同时基于选择性预测模型的获得的CO₂/N₂及CO₂/CH₄吸附选择性结果与实验数据也基本相符，预测误差小于21%。验证了基于XGB算法的建立的预测模型具有较好的泛化能力和预测精度。

图5.（a）BC-0.5、（b）BC-1、（c）BC-0.5-N和（d）BC-1-N的气体吸附预测值与实验值的拟合结果；（e）CO₂/N₂和（f）CO₂/CH₄吸附选择性预测模型的预测误差。

总结与展望

本研究结合机器学习、实验测试和分子模拟系统探讨了生物炭理化性质对其CO₂吸附能力及CO₂/N₂、CO₂/CH₄吸附选择性的影响。根据XGB模型分析结果，孔隙结构对CO₂吸附能力的影响大于化学组成。具体来说，0.4-0.6 nm的孔结构对0-0.6 bar范围内的CO₂吸附量贡献最大，而在0.6-1 bar范围内，0.6-0.8 nm的孔结构以及比表面积具有最显著的贡献。化学组成在低压和高温下的作用更为突出，尤其是氮官能团对CO₂吸附具有最显著的正向影响。在CO₂选择性分离过程中，化学组成的贡献显著增强，特别是在CO₂/N₂混合气体系中，氮官能团对吸附选择性起决定性作用，而在CO₂/CH₄混合气体系中，窄微孔仍是决定吸附选择性的首位因素。这些结论与实验结果相一致，同时，所建立的预测模型对气体吸附量的预测表现出较高精度（R²＞0.9）。这表明可以从XGB模型中提取有效信息，用于指导实验决策以及预测生物炭的CO₂吸附及分离能力，将节省碳捕集相关研究或工程项目的时间和成本。

原文链接

相关研究以“Interpretable machine learning analysis on CO₂ adsorption and separation capacity of biochar under multi-scenario conditions”为题发表在Green Energy & Environment期刊，该论文第一作者为华北电力大学博士研究生董嘉良，通讯作者为浙大宁波理工学院高夫燕副教授。

扫码获取全文

https://doi.org/10.1016/j.gee.2025.07.001

撰稿：原文作者

编辑：GEE编辑部

END