(资料图)

生物质被广泛认为是化石燃料的可再生替代品，许多专家表示，它可以在应对气候变化方面发挥关键作用。生物质储存碳，可以转化为生物基产品和能源，可用于改善土壤、处理废水和生产可再生原料。

然而，由于经济限制和优化和控制生物质转化的挑战，它的大规模生产受到限制。

由耶鲁大学环境学院工业生态学和可持续系统助理教授姚元和博士生Hannah Szu-Han Wang领导的一项新研究分析了当前生物质和生物质衍生材料(BDM)的机器学习应用，以确定机器学习是否正在推进生物质产品的研发。研究作者发现，机器学习尚未应用于BDM的整个生命周期，限制了其开发能力。

姚明的研究调查新兴技术和工业发展将如何影响环境，重点是生物经济和可持续生产。在硕士研究期间，王先生从事生物材料的生产工作。这两位研究人员表示，他们有兴趣进行这项研究，以了解机器学习是否有助于创建BDM的最佳实践，BDM是生物基经济的主要组成部分，以及预测它们作为可持续材料的性能。

“生物质原料、转化技术和BDM应用有很多组合。如果我们想使用传统的试错实验方法尝试每种组合，这将花费大量的时间、劳动力、精力和精力。我们已经从过去的这些实验中生成了大量数据，所以我们在问，我们是否可以应用机器学习来帮助我们弄清楚如何更好地设计BDM?姚明解释道。

对于发表在《资源、保护和回收》上的这项研究，Yao和Wang回顾了自50年以来发表的2008多篇论文，以了解机器学习在支持BDM可持续发展和应用方面的能力，当前局限性和未来潜力。他们发现，虽然一些研究应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。没有人审查了从生物质种植到BDM生产和最终用途应用的整个生命周期中的机器学习应用。

“大多数研究都将机器学习应用于BDM整个生命周期的一小部分，”Yao说。“我们的论点是，如果你真的想将可持续性纳入这种材料的开发中，我们需要考虑材料的整个生命周期，从它们是如何产生的到它们潜在的环境影响。我们相信机器学习有可能支持生物质衍生材料的可持续性设计。

王说，这项研究导致了对生物质衍生材料机器学习数据差距的进一步研究。

“我们发现了一个人们尚未在 BDM 可持续性评估方面探索的未来方向。需要有一个完整的路径预测，以增强我们对BDM的各种因素如何相互作用并有助于可持续性的理解，“她说。

关键词：