如果我們要緩解氣候變化，我們必須找到具有成本效益和可持續(xù)的方法來減少工業(yè)二氧化碳 (CO2) 排放。不幸的是，大多數成熟的工業(yè)后燃燒源碳捕獲和儲存 (CCS) 方法都存在重大缺點，例如成本高、環(huán)境毒性或耐久性問題。在這種背景下，許多研究人員將注意力集中在我們對下一代 CCS 系統(tǒng)的最佳選擇上：使用固體多孔碳材料吸附CO2。
使用多孔碳封存CO2 的一個臭名昭著的優(yōu)勢是它們可以從生物質廢物中生產，例如農業(yè)廢物、食物廢物、動物廢物和森林碎片。這使得生物質廢物衍生的多孔碳 (BWDPC) 具有吸引力，不僅因為它們的成本低，還因為它們提供了一種將生物質廢物充分利用的替代方法。雖然 BWDPCs 肯定可以讓我們更接近循環(huán)經濟，但這個研究領域相對年輕，科學家之間沒有明確的指導方針或共識，關于 BWDPCs 應該如何合成，或者他們應該爭取什么樣的材料特性和成分。
人工智能 (AI) 能否幫助我們解決這個難題?在最近發(fā)表在《環(huán)境科學與技術》上的一項研究中，高麗大學和新加坡國立大學的合作研究團隊采用了一種基于機器學習的方法，可以指導未來多孔碳合成策略的發(fā)展。科學家們指出，影響B(tài)WDPC 中CO2吸附特性的三個核心因素是：多孔固體的元素組成、其質地特性以及其運行時的吸附參數，例如溫度和壓力。然而，直到現在，在開發(fā) BWDPC 時應該如何優(yōu)先考慮這些核心因素仍不清楚。
為了幫助解決這個問題，該團隊首先進行了文獻回顧，并選擇了 76 篇描述各種 BWDPC 的合成和性能的出版物。經過整理，這些論文提供了 500 多個數據點，用于訓練和測試三個基于樹的模型。“我們工作的主要目的是闡明如何利用機器學習工具進行預測分析，并利用 BWDPC為 CO2吸附過程提供有價值的見解，”領導這項研究的高麗大學教授 Yong Sik Ok 解釋說.
模型的輸入特征是三個核心因素，而輸出特征是CO2吸附水平。盡管模型本身在訓練過程后本質上變成了“黑匣子”，但它們可用于僅根據所考慮的核心因素對 BWDPC 的性能進行準確預測。最重要的是，通過特征分析，研究團隊確定了每個輸入特征對于做出準確預測的相對重要性。換句話說，他們確定了哪些核心因素對實現高 CO2最重要吸附。結果表明，吸附參數比其他兩個核心因素對模型做出正確預測的貢獻更大，強調了首先優(yōu)化操作條件的重要性。BWDPC 的結構特性，例如它們的孔徑和表面積，排在第二位，其元素組成排在最后。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯系刪除！