La capture et le stockage du CO₂ (CCS) sont des mesures prometteuses pour la réduction des émissions. Le biochar poreux possède une structure poreuse multi-échelle riche et présente d'excellentes performances d'adsorption du CO₂. En raison des limites des modèles prédictifs traditionnels basés sur des données expérimentales, tels que la faible précision et la complexité calculatoire, des méthodes d'apprentissage automatique comme les arbres de décision par gradient boosté (GBDT), l'algorithme de gradient boosté extrême (XGB) et l'algorithme de gradient boosté léger (LGBM) ont été utilisées pour modéliser l'adsorption de CO₂ par le biochar et pour effectuer une analyse comparative des résultats. Les résultats montrent que les trois principaux facteurs influençant la capacité d'adsorption du CO₂ sont respectivement la surface spécifique du biochar, la teneur en carbone et la teneur en oxygène. Les trois algorithmes peuvent efficacement prédire la performance d'adsorption du biochar pour le CO₂. Par comparaison, le LGBM présente la meilleure précision de prédiction, atteignant 94 %; le GBDT a un avantage notable dans le traitement des échantillons aberrants ; et le XGB offre des résultats de prédiction plus stables face aux variations des ensembles de test. Lors de la conception des performances d'adsorption du biochar, il ne faut pas rechercher aveuglément une surface trop élevée. Il est recommandé de privilégier une teneur en carbone comprise entre 83 % et 88 % et une teneur en oxygène comprise entre 15 % et 18 %.

biochar;apprentissage automatique;adsorption du dioxyde de carbone;importance des caractéristiques;graphique de dépendance partielle