在机器学习指导下，对木质纤维素衍生的生物炭前体进行优化，以获得适用于能源存储应用的定制性能

《Fuel》：Machine learning-guided optimization of lignocellulose-derived biochar precursors with tailored properties for energy storage applications

　　Alireza Shafizadeh|Nilofar Najafi|Ehsan Kargaran|Meysam Madadi|Mahdy Elsayed 伊朗卡拉吉德黑兰大学农业与自然资源学院农业工程与技术系农业机械机械工程系 **摘要** 为了支持可再生能源的储存，越来越需要可持续的电极材料。在这项研究中，我们提出了一个基于人工智能的框架，通过优化的生物质热解来设计具有适合电池阳极特性的生物炭。该框架利用474个数据样本，重点关注木质纤维素组成和处理条件，而不是昂贵且冗余的最终分析方法，从而提高了其实际应用性。我们创建了一个极端梯度提升回归（XGBR）模型，以高精度预测生物炭的产量、表面积和pH值（R = 0.80–0.98；d = 0.88–0.99）。Shapley加性解释值表明，温度、生物质样本中的木质素含量和灰分含量在决定生物炭特性方面具有重要意义。使用NSGA-II算法进行的多目标优化确定了符合能源储存要求的安全可行的生物炭处理条件（温度为620–650°C）。对于糠醛残留物的验证测试显示，实际制备的生物炭具有644 m2/g的表面积和9.3的pH值，精度很高。此外，还开发了一个软件应用程序，用于应用先进的基于人工智能的设计策略来大规模生产高质量的可再生能源材料，以便实际应用。 **引言** 获得能源对可持续发展至关重要[1]，但数十年来对化石燃料的依赖导致了温室气体排放，加速了全球变暖和气候变化[2]。自20世纪70年代以来的科学共识认为，人类活动是主要原因[3]。然而，近年来对化石燃料的依赖导致了二氧化碳等持久性温室气体的排放，进一步推动了全球变暖和气候变化[3]。 为应对这一情况，全球正在转向采用可再生能源和技术[4]。可再生能源发电越来越多地依赖于太阳能、风能、水能和生物质等来源，这些能源越来越受到重视，以可持续地满足能源需求[5]。随着对可再生能源发电需求的增加，研究重点转向了开发高效的能源技术和先进的储能材料[6]。基于碳的材料在高性能电池中至关重要，尤其是电极材料，因为它们具有结构稳定性、丰富性和低成本。通过将碳纤维与金属和复合材料结合，可以提高性能[7]。特别是硬质碳阳极，具有高储存容量、低工作电压和优异的循环稳定性[8]。 因此，迫切需要开发从可再生资源高效生产高性能碳材料的方法，同时将环境影响降到最低[9]。在可持续碳材料的背景下，生物炭作为一种有前景的解决方案应运而生[10]。最近的研究探讨了生物质衍生碳在超级电容器和锂/钠离子电池阳极材料中的应用[10]。根据国际生物炭倡议（IBI）的定义，生物炭/生物碳是一种在缺氧条件下通过生物质的热化学转化生成的富碳固体材料[11]。所得生物炭表现出多种特性，可以分为三类：物理特性、化学特性和农艺特性[12]。物理特性包括生物炭的结构、孔隙率、孔径分布、总孔体积、表面积和吸附能力[13]。化学特性包括最终分析（C、H、N和O含量）和近似分析（灰分、挥发物和固定碳含量）。此外，生物炭的电学特性还包括其碱性（pH值）、阳离子交换容量（CEC）、电导率（EC）以及宏量和微量元素的存在[14]。 生物炭的特性受到其生产条件以及生物质来源和固有特性的影响[15]。热解是一种广泛采用的将生物质转化为生物炭的方法，涉及在无氧或惰性环境中将生物质在高温（通常为400至550°C）下热分解。这一过程大致分为慢速热解（以逐渐加热为特征）和快速热解（生物质快速受到高温处理）[16]。通过对温度、反应时间、加热速率、生物质预处理以及催化剂的存在和类型等参数的精细控制，可以显著改变过程结果[17]。除了操作因素外，生物质的组成（包括纤维素、半纤维素和木质素的比例）也显著影响生物炭的特性，如产量、元素组成、pH值、官能团、热值、孔结构和形态[12]。 对于电池应用（如锂或钠离子系统），生物炭的结构和物理属性尤为重要[7]。关键特性包括其非晶态或晶体结构、高表面积、增强的电极材料导电性和多孔结构，这有助于改善电极与导电材料之间的接触[18]。由于生物质原料的独特微观结构和丰富的杂原子含量，孔结构的协同作用使自掺杂生物炭成为储能设备的有希望的候选材料[8]。孔径分布的变化会影响离子储存，较大的孔径有助于扩散路径，而中孔比微孔更有利于离子进入生物炭内部结构，从而提高电池应用中的阳极效率[19]。对生物炭中官能团的分析表明，pH值的增加有助于提高导电性和初始库仑效率（ICE）[20]。 为实现适用于电池和超级电容器的生物炭特性，面临重大挑战[10]。这种困难源于传统的生物质筛选和热解条件优化实验方法通常耗时、劳动密集且成本高昂。此外，这些传统方法可能无法确定理想的生物质组成、混合比例或热解参数[21]。先进的建模技术，如机器学习（ML），为处理复杂现象相关的繁琐试错过程提供了有希望的替代方案[22]。ML方法在利用现有数据集预测独立变量（如生物质组成和操作条件）与依赖结果（包括所得生物炭的物理特性）之间的非线性多变量关系方面非常有效[17]。与传统模型不同，数据驱动的ML方法在处理复杂机制方面表现出卓越的能力[23]。因此，ML可以准确揭示影响因素与热解过程结果之间的相互联系。然而，为了确保可靠和有效的结果，全面和强大的数据集的可用性至关重要[24]。 近年来，越来越多的人关注使用ML技术来预测通过热解生成的生物炭的物理特性[25]。