本研究旨在利用生物质废弃物——马来西亚大量存在的农业废弃物油棕灰（OPA），开发一种经济高效、环境友好且可持续的二氧化碳（CO₂）捕集吸附剂。研究首先对原始油棕灰进行酸洗处理，随后进行碳化及氢氧化钾（KOH）化学活化处理，以改善其理化性质。鉴于机器学习能为吸附工艺设计以及CO₂吸附机理认知提供新视角，本文对实验方法与机器学习方法进行了详细的对比分析。本研究通过碳化与KOH功能化处理，OPA-KOH（1:2）的表面及孔隙特性得到显著提升，形成了优化的介孔结构（平均孔径：72.71 Å），比表面积为30.95 m²/g。尽管其比表面积处于中等水平，但定制化的孔隙结构促进了CO₂的高效扩散，进而实现了2.9 mmol/g的高CO₂吸附容量，该容量与部分比表面积更高的活性炭相当甚至更高。对吸附等温线、动力学及热力学的系统分析证实，CO₂在OPA-KOH（1:2）上的吸附过程为放热过程，主要由物理吸附机制驱动，同时存在弱化学吸附机制的辅助作用。本研究采用的基于机器学习的模型显示，双层神经网络模型能够精准预测CO₂在 OPA-KOH（1:2）上的吸附行为，其R²>0.99，具有极高的预测精度。这些研究结果不仅为碳捕集、转化、利用与封存（CCUS）技术提供了宝贵的见解，同时也凸显出OPA-KOH（1:2）是一种经济且环境友好的吸附剂，可有效实现CO₂
捕集。
图文摘要
OPA-KOH（1:2）展现出优异的CO₂捕集性能，吸附容量达2.9mmol/g。
CO₂在OPA-KOH（1:2）上的吸附具有非均相、放热特性，且吸附机制以物理吸附为主。
双层神经网络机器学习模型能够精准预测不同操作条件下的CO₂吸附行为。
KOH功能化处理的OPA在可持续碳捕集工艺中展现出较大潜力。
图1 用于CO₂吸附建模的人工神经网络模型示意图。（a) 单层前馈神经网络模型：输入层（红色）包含五个参数——时间(t)、CO₂浓度(C)、温度(T)、流速(F)和OPA与KOH比例(R)；连接至含多个神经元的单隐藏层（蓝色）；（b) 双层前馈神经网络模型：包含两个隐藏层（蓝色和黄色），偏置神经元（黄色）调整模型预测值，输出层（绿色）预测吸附容量(AC)
图2
OPA样品的场发射扫描电子显微镜图像：（a）原始OPA；（b）OPA；（c）OPA与KOH以1:2比例混合样品（OPA-KOH(1:2)）；放大倍数为10000倍
图3（a）OPA与（b）OPA-KOH（1:2）的傅里叶变换红外光谱图图4
CO₂吸附穿透曲线：（a）不同OPA与KOH比例下的OPA及OPA-KOH(x)；（b）不同流速下的OPA-KOH(1:2)；（c）不同温度下的OPA-KOH(1:2)；（d）不同初始CO₂浓度下的OPA-KOH(1:2)
图5
OPA-KOH(1:2)的CO₂吸附容量的实验值与预测值的非线性等温模型拟合
图6
OPA-KOH(1:2)的CO₂吸附容量的实验值与预测值的非线性动力学模型拟合
图7 OPA-KOH(1:2)上CO₂吸附的可能机制图9 不同操作参数下双层神经网络模型的CO₂吸附模拟结果：（a）OPA与KOH比例；（b）流速;（c）温度;（d）
初始浓度本研究成功证实，经氢氧化钾（KOH）功能化处理的油棕灰（OPA）吸附剂可有效用于CO₂捕集。表征结果显示，与原始油棕灰相比，OPA-KOH（1:2）具有更大的比表面积和更小的总平均孔径，这一特性提升了其CO₂捕集效率。在30°C、30 mL/min流速及15 vol.%初始CO₂浓度条件下，使用OPA-KOH（1:2）实现的最高CO₂吸附容量为2.9 mmol/g。Freundlich等温线模型与实验测得的CO₂吸附量数据拟合度最佳，这表明吸附过程发生在非均相表面，而非形成均匀的单分子层。此外，OPA-KOH（1:2）对CO₂的吸附遵循伪二级动力学模型，这表明该过程主要由物理吸附驱动，同时存在弱化学相互作用的辅助作用。这一观察结果进一步印证了KOH活化过程中引入的表面官能团在吸附相互作用中起着重要作用的假设
。热力学分析结果显示，△G◦、△H◦与△S◦均始终为负值，这表明在研究温度范围（30～60℃）内，该吸附过程在热力学上是有利的、自发进行的，且属于放热反应。尽管已有大量研究报道了具有更高比表面积的活性炭，但吸附剂的吸附效率不仅取决于比表面积，还与其孔隙结构、官能团及吸附机制相关。OPA-KOH（1:2）的介孔特性有效促进了CO₂的扩散，并提高了活性位点的可及性，使其成为一种适用于CO₂捕集应用的可行吸附剂。此外，OPA-KOH（1:2）的经济可行性、可持续性及低成本合成的优势，使其成为大规模碳捕集技术中具备竞争力的候选方案，尤其适用于油棕废弃物资源丰富的地区。基于机器学习的建模结果表明，双层神经网络模型在CO₂吸附预测方面精度最高，性能优于其他机器学习模型。
总体而言，本研究成果凸显了机器学习驱动方法
通过提供快速、精准的预测框架在加速CO₂吸附工艺开发中的潜力，从而减少实验中的试错成本。将实验吸附数据与基于机器学习建模的成功整合，可填补经验研究与先进计算建模之间的空白，为优化CO₂捕集效率提供一种可扩展、数据驱动的解决方案。本研究的发现不仅具有实验室规模的意义，还对大规模工业CO₂捕集应用具有实际意义。利用农业废弃物制备的活性炭符合循环经济理念，将低价值副产品转化为高性能吸附剂。鉴于CO₂捕集技术在脱碳战略中发挥着关键作用，本研究有望为水泥、钢铁、石油化工及发电等行业推进可持续材料的研发提供助力。基于机器学习的预测模型的适应性，可以进一步实现实时过程控制与优化，从而提升工业可行性及经济合理性。本研究强调了将机器学习与材料科学相结合以开发更高效、适应性更强且成本更低的CO₂捕集技术的重要性，为解决全球碳排放问题提供一条可持续途径。未来研究应探索替代活化剂以进一步提升OPA基吸附剂的性能，开展长期稳定性研究以验证其工业可行性，并扩展机器学习模型以适配实际CO₂捕集场景。此外，将油棕灰与其他多孔材料结合可以
优化其吸附性能。
文章链接：https://doi.org/10.1007/s44246-025-00227-3
更好地理解土壤中铁循环对碳的稳定及降解的作用
Towards a better understanding of the role of Fe cycling in soil for carbon stabilization and degradation
