生物质长期以来一直被吹捧为化石燃料的可再生替代品,专家表示它可以在应对气候变化方面发挥关键作用。这种可再生选项可以储存碳并转化为生物基产品和能源,使其可用于改善土壤质量、处理废水和生产可再生原料。然而,由于经济限制以及优化和控制生物质转化方面的挑战,生物质的大规模生产受到限制。这就是机器学习发挥作用的地方。
为了解决这些问题,耶鲁大学环境学院的研究人员进行了一项关于在生物质产品开发中使用机器学习的研究。这项研究由工业生态学和可持续系统助理教授 Yuan Yao 和博士生 Hannah Szu-Han Wang 领导,分析了当前机器学习在生物质和生物质衍生材料 (BDM) 中的应用,以确定机器学习是否正在推进研究和生物质产品的开发。
研究作者发现,虽然一些研究应 WhatsApp 号码 用机器学习来解决生命周期评估的数据挑战,但大多数研究仅应用机器学习来预测和优化生物质转化和应用的技术性能。没有研究回顾过机器学习在整个生命周期中的应用,从生物质种植到 BDM 的生产及其应用。
姚表示,“如果我们想用传统的试错实验方法来尝试每种组合,这将需要大量的时间、劳动力、精力和精力。我们已经从过去的实验中生成了大量数据,所以我们想问,我们能否应用机器学习来帮助我们弄清楚如何更好地设计 BDM?”

研究人员认为,机器学习有潜力支持生物质衍生材料的可持续设计。通过考虑材料的整个生命周期,从它们的生成方式到潜在的环境影响,机器学习可以帮助确定创建 BDM 的最可持续的方法。
此外,该研究还引发了对生物质衍生材料机器学习数据差距的更多研究。Wang 表示:“需要进行完整的路径预测,以增强我们对 BDM 相关各种因素如何相互作用并促进可持续发展的理解。”
总体而言,在生物质产品开发中使用机器学习有望提高可持续性并减少生物质生产对环境的影响。通过考虑生物质衍生材料的整个生命周期,研究人员可以确定创建 BDM 的最可持续的方法,帮助应对气候变化并促进更可持续的未来。