이산화탄소 포집 및 저장(CCS)은 잠재력이 큰 감축 조치이다. 다공성 바이오차는 풍부한 다중 규모의 기공 구조를 가지고 있으며 우수한 CO₂ 흡착 성능을 가진다. 기존의 실험 데이터 기반 CO₂ 흡착 예측 모델은 정확도가 낮고 계산이 복잡하다는 단점이 있어, 기계 학습 방법인 그래디언트 부스팅 결정 트리(GBDT), 극단적 그래디언트 부스팅 알고리즘(XGB), 라이트 그래디언트 부스팅 머신(LGBM)을 사용하여 바이오차의 CO₂ 흡착을 모델링하고 예측 결과를 비교 분석하였다. 결과는 CO₂ 흡착량에 영향을 미치는 3가지 주요 요인이 각각 바이오차의 비표면적, C 함량, O 함량임을 보여준다. 세 가지 알고리즘 모두 바이오차의 CO₂ 흡착 성능을 효과적으로 예측할 수 있다. 그중 LGBM은 예측 정확도가 가장 높아 94%에 달하며, GBDT는 이상치 데이터 처리에서 뚜렷한 장점을 가지고 있고, XGB는 다양한 테스트 세트 변화에 대해 더 안정적인 예측 결과를 보여준다. 바이오차 흡착 성능을 설계할 때 표면적을 무작정 높게 추구하는 것은 바람직하지 않다. 바이오차의 C 함량은 83%~88% 사이, O 함량은 15%~18% 사이를 우선 선택하는 것이 권장된다.

바이오차; 기계 학습; 이산화탄소 흡착; 특성 중요도; 부분 종속 그래프