A captura e armazenamento de CO₂ (CCS) é uma medida de redução de emissões com grande potencial. O biocarvão poroso possui uma estrutura porosa em múltiplas escalas, apresentando excelente desempenho na adsorção de CO₂. Devido às limitações dos modelos tradicionais de previsão de adsorção de CO₂ baseados em dados experimentais, como baixa precisão e complexidade computacional, métodos de aprendizado de máquina, como a árvore de decisão com aumento de gradiente (GBDT), o algoritmo de aumento extremo de gradiente (XGB) e o algoritmo leve de aumento de gradiente (LGBM) foram utilizados para prever a adsorção de CO₂ pelo biocarvão, e uma análise comparativa dos resultados foi realizada. Os resultados mostram que os três principais fatores que afetam a quantidade de adsorção de CO₂ são, respectivamente, a área superficial específica do biocarvão, o teor de carbono (C) e o teor de oxigênio (O). Os três algoritmos conseguem prever efetivamente o desempenho de adsorção do biocarvão para CO₂. Em comparação, o LGBM alcança a maior precisão preditiva, chegando a 94%; o GBDT tem uma vantagem significativa no tratamento de dados de amostras anômalas; enquanto o XGB apresenta resultados preditivos mais estáveis diante das variações dos conjuntos de teste. Ao projetar o desempenho de adsorção do biocarvão, não se deve perseguir cegamente uma área superficial excessivamente alta. Recomenda-se que o teor de carbono do biocarvão seja preferencialmente entre 83% e 88%, e o teor de oxigênio entre 15% e 18%.

biocarvão; aprendizado de máquina; adsorção de dióxido de carbono; importância das características; gráficos de dependência parcial