CO₂の回収・貯留（CCS）は大きな潜在力を持つ排出削減手法である。多孔質バイオ炭は豊富な多尺度孔構造を有し、優れたCO₂吸着特性を示す。従来の実験データに基づくCO₂吸着予測モデルは精度が低く、計算が複雑であるという課題を踏まえ、勾配ブースティング決定木（GBDT）、極端勾配ブースティング（XGB）、ライトGBM（LGBM）などの機械学習手法を用いてバイオ炭のCO₂吸着をモデル予測し、予測結果を比較分析した。結果は、CO₂吸着量に影響を与える主な3要因がそれぞれバイオ炭の比表面積、C含有量、O含有量であることを示した。3つのアルゴリズムはいずれもバイオ炭のCO₂吸着性能を効果的に予測できる。比較すると、LGBMが最高の予測精度（94%）を達成し、GBDTは異常サンプルデータの処理に優れており、XGBは異なるテストセットの変化に対してより安定した予測結果を示した。バイオ炭の吸着性能を設計する際には、表面積を過度に追求するのは避けるべきである。バイオ炭のC含有量は83%～88%、O含有量は15%～18%の範囲を優先的に選択することが推奨される。

バイオ炭; 機械学習; 二酸化炭素吸着; 特徴重要性; 部分依存プロット