Die Abscheidung und Speicherung von CO₂ (CCS) ist eine vielversprechende Maßnahme zur Emissionsreduzierung. Poröser Biokohle verfügt über eine reichhaltige, mehrskalige Porenstruktur und weist hervorragende CO₂-Adsorptionseigenschaften auf. Aufgrund der geringen Genauigkeit und der Rechenkomplexität herkömmlicher, auf experimentellen Daten basierender CO₂-Adsorptionsvorhersagemodelle wurden maschinelle Lernmethoden wie Gradient Boosting Decision Trees (GBDT), Extreme Gradient Boosting (XGB) und Light Gradient Boosting Machine (LGBM) verwendet, um die CO₂-Adsorption von Biokohle zu modellieren und die Vorhersageergebnisse vergleichend zu analysieren. Die Ergebnisse zeigen, dass die drei wichtigsten Faktoren, die die CO₂-Adsorptionsmenge beeinflussen, nacheinander die spezifische Oberfläche von Biokohle, der Kohlenstoffgehalt und der Sauerstoffgehalt sind. Alle drei Algorithmen können die Adsorptionsleistung von Biokohle für CO₂ effektiv vorhersagen. Im Vergleich erzielte LGBM die höchste Vorhersagegenauigkeit von 94 %; GBDT weist deutliche Vorteile bei der Verarbeitung von Ausreißerdaten auf; und XGB liefert stabilere Vorhersagen bei Änderungen der Testdatensätze. Beim Entwurf der Adsorptionseigenschaften von Biokohle sollte nicht blind nach einer zu hohen Oberfläche gestrebt werden. Es wird empfohlen, den Kohlenstoffgehalt der Biokohle zwischen 83 % und 88 % und den Sauerstoffgehalt zwischen 15 % und 18 % zu wählen.

Biokohle;maschinelles Lernen;Kohlenstoffdioxidadsorption;Merkmalswichtigkeit;partielle Abhängigkeitsdiagramme