Rapid Fourier-transform infrared spectroscopic profiling of generation and graphitization of biocarbon from large-scale bioresource by integrating optimal machine learning

Jiacheng Kang, Yujia Fang, Jing Hong, Junsheng Yu, Yongtai Wang, Qian Zhang, Yujing Yang, Yanting Wang, Chunxiang Fu, Liangcai Peng, Hao Peng*, Hua Yu*

01背景介绍

以人工智能、石墨烯等先进材料及基因工程等生物技术创新为代表的新一轮科技革命，正推动材料科学向数据驱动与智能化方向发展。生物质碳材料是以生物质为原料制备的富碳材料，因其独特的孔隙结构、丰富的表面官能团及良好的碳稳定性，在环境修复、土壤改良和碳封存等领域展现出广阔的应用前景。其元素组成与碳结构特征受原料类型和热解条件共同影响，直接关系到材料性能与应用效果。然而，传统元素分析和拉曼光谱等技术通常需要分别测定不同性质，难以满足多来源、大规模样品快速筛选的需求。傅里叶变换红外光谱（FTIR）具有检测便捷、信息丰富等优势，但如何建立光谱特征与生物质碳材料关键性质之间的定量关系仍是重要挑战。

湖北工业大学余华讲师、中国科学院青岛生物能源与过程研究所彭昊博士，于Green Carbon发表题为“Rapid Fourier-transform infrared spectroscopic profiling of generation and graphitization of biocarbon from large-scale bioresource by integrating optimal machine learning”研究论文。该研究融合红外光谱特征、热解温度与机器学习算法，实现了生物质碳材料C、H、O含量及拉曼ID/IG比值的快速预测，并通过SHAP可解释性分析识别关键预测特征，为生物质碳材料的高效表征与智能化评价提供了新方法。

02文章简介

构建多来源生物质碳材料数据库，解析组成与结构特征

研究团队选取单糖、二糖、多糖及木质纤维素等16种代表性原料，在300-600 ℃范围内制备112个生物质碳材料样品，系统采集红外光谱、元素组成（C、H、O）及拉曼结构参数（ID/IG），构建了多来源生物质碳材料标准化数据库。通过统计分布（图1）与皮尔逊相关性分析（图2），研究揭示了材料关键性质与热解温度、红外光谱特征之间的关联，为后续机器学习模型的构建与优化奠定了数据基础。

图1. 生物质碳材料组成与结构参数的统计分布

图2. 生物质碳材料关键变量的皮尔逊相关性分析

融合红外光谱与机器学习，实现生物质碳材料性质快速预测

为建立红外光谱特征与生物质碳材料关键性质之间的定量关系，研究团队以热解温度和11个红外特征波数处的吸光度为输入变量，系统比较了AdaBoost、人工神经网络（ANN）、LightGBM、XGBoost、Extra Trees和随机森林六种机器学习算法的预测性能（图3）。结果表明，AdaBoost对C和O含量的预测效果最佳，测试集R²分别达到0.886和0.902；双层ANN对H含量及ID/IG比值的预测表现更优，测试集R²分别达到0.932和0.901。该研究表明，红外光谱与机器学习的深度融合能够有效建立材料化学结构信息与关键性质之间的非线性关联，为生物质碳材料的快速定量表征提供了新策略（图4）。

图3. 六种机器学习模型的预测性能比较

图4. 生物质碳材料关键性质预测值与实验值的相关性

SHAP解析关键预测特征，揭示热解温度的重要作用

为进一步解析机器学习模型的预测依据，研究团队引入SHAP可解释性分析，量化不同输入变量对生物质碳材料关键性质预测的贡献（图5）。结果表明，热解温度在C、H、O含量及ID/IG比值的预测中均表现出较高的特征贡献，凸显了热解温度在材料元素组成及碳结构演变中的重要作用。这一结果与热解过程中碳富集、含氢和含氧组分脱除及碳结构演变的基本规律相一致。此外，1700 cm⁻¹附近的羰基和3400 cm⁻¹附近的羟基相关红外特征也对模型预测具有一定贡献，反映出表面官能团变化与材料关键性质之间的潜在关联。该分析增强了模型的可解释性，为深入理解生物质碳材料结构与性质之间的关联提供了新的数据驱动视角。

图5. 基于SHAP的生物质碳材料关键性质预测模型的特征贡献分析

总结展望

该研究通过融合红外光谱、热解温度与机器学习算法，实现了多来源生物质碳材料元素组成及拉曼结构参数的快速预测，并利用SHAP方法识别了影响模型预测的关键特征，为生物质碳材料的高效表征提供了数据驱动的新方法。未来，通过扩展原料类型、引入更多热解工艺参数并开展独立样本验证，有望进一步提升模型的泛化能力与实际应用价值，为生物质碳材料的快速筛选、性能评价及智能化设计提供技术支持。

03作者

彭昊 博士后

彭昊，中国科学院青岛生物能源与过程研究所博士后，2024年毕业于华中农业大学生物质能专业，获博士学位。主持国家自然科学基金青年科学基金项目（C类）1项。在Green Chemistry、Ultrasonics Sonochemistry等期刊发表SCI论文10余篇，获授权国家发明专利2项。主要从事植物细胞壁分子设计与纤维素纳米结构调控、木质纤维素高效降解与绿色转化，以及生物质高值化功能材料的制备与智能表征研究。

余华 讲师

余华，湖北工业大学生命科学与健康工程学院讲师、硕士研究生导师，2023年毕业于华中农业大学，获博士学位。主持国家自然科学基金青年科学基金项目（C类）1项，在Journal of Advanced Research、Carbohydrate Polymers、Bioresource Technology等权威期刊发表SCI论文20余篇。指导本科生获2024年“挑战杯”专项赛全国一等奖。主要从事农林废弃生物质的高效降解与资源化利用、木质纤维素基纳米材料的制备与功能化，以及量子化学计算与分子动力学模拟在材料与生物体系中的应用研究。 

04论文信息

论文信息：

Jiacheng Kang, Yujia Fang, Jing Hong, Junsheng Yu, Yongtai Wang, Qian Zhang, Yujing Yang, Yanting Wang, Chunxiang Fu, Liangcai Peng, Hao Peng and Hua Yu, Rapid Fourier-transform infrared spectroscopic profiling of generation and graphitization of biocarbon from large scale bioresource by integrating optimal machine learning[J].Green Carbon, 2026.

论文网址： 

https://doi.org/10.1016/j.greenca.2026.05.002

论文下载：

Rapid Fourier-transform infrared spectroscopic profiling of generation and graphitization of biocarbon from large-scale bioresource by integrating optimal machine learning.pdf

中文解读链接：

Green Carbon文章丨机器学习赋能生物质碳材料快速表征

支持单位：