机器学习（ML）的集成在推动第四次工业革命（即工业4.0）中日益普及。本综述论文研究了ML在CO管理各阶段（排放、捕获和转化）中的应用。在排放阶段，使用包括多元线性回归（MLR）、多元非线性回归（MNLR）和人工神经网络（ANN）在内的
机器学习（ML）的集成在推动第四次工业革命（即工业4.0）中日益普及。本综述论文研究了ML在CO
管理各阶段（排放、捕获和转化）中的应用。在排放阶段，使用包括多元线性回归（MLR）、多元非线性回归（MNLR）和人工神经网络（ANN）在内的ML模型，基于能源消耗、燃料使用、国内生产总值（GDP）、人口及其他社会经济变量，预测国家和部门的CO
排放量。在捕获阶段，ML利用ANN、广义回归神经网络（GRNN）、反向传播神经网络（BPNN）和数据处理分组方法（GMDH）等模型，考虑催化剂、工艺参数和流变特性等输入变量，预测燃烧后和直接空气CO
捕获效率。在转化阶段，ML模型（主要为ANN、多层感知器（MLP）、粒子群优化（PSO）和遗传算法（GA））基于催化剂组成和工艺条件等因素，预测并优化CO
烃、合成气、甲烷、低碳烯烃和生物燃料等产品的过程。本研究识别出若干趋势，其中ANN成为主导的ML技术。这些发现将有助于学术界和工业界开发CO
自工业革命以来，地球平均温度已上升超过1°C，最热的10年记录自1998年以来出现。人类活动主要通过释放温室气体（GHGs）导致GHGs增加。政府间气候变化专门委员会（IPCC）确认CO2是主要人为GHG，占排放量的70%以上，其余排放包括一氧化二氮、甲烷和其他氟化气体。IPCC预测显示，到2100年CO2浓度可能达到570 ppm，可能导致全球平均温度上升1.9°C，海平面上升3.8米。为解决这些问题，需要紧急行动实施《巴黎气候协定》，旨在将全球温度上升限制在远低于2°C，并努力控制在1.5°C以内。由于CO2水平升高，研究聚焦于解决方案，如将CO2捕获并储存于地下，或将其转化为有价值的产品。图1展示了全面的碳捕获与转化（CCC）循环。
机器学习（ML）在CO2管理循环（包括排放、捕获和转化）中展现出巨大潜力。文献中已有若干关于ML应用于这些离散阶段的研究，但仍缺乏对整个CO2生命周期的比较评估，这导致了一个关键的知识空白，即澄清ML模型在不同阶段的灵活性和比较性能。本综述旨在批判性评估ML在CO2排放、捕获和转化过程预测中的应用。它衡量模型性能，概述阶段限制趋势，并指出实际挑战以及研究重点。为实现这一目标，探索了以下研究问题：（1）在排放、捕获和转化阶段，哪些ML模型占主导地位？（2）每个阶段定义的数据类型和输入输出变量是什么？（3）ML模型在排放预测、捕获效率和转化优化设置中的性能如何变化？目的是提供ML在CO2管理中应用的阶段式检查，对CO2管理所有阶段使用的不同模型进行相对比较，识别操作问题，并规划未来研究路径。本综述通过严格的模型比较、数据驱动知识和与现实世界系统相关的性能分析，为学术研究和工业实践提供系统性和比较性分析，从而做出贡献。
ML是AI的一种普遍形式，围绕从训练数据构建数学模型，使系统能够自我学习并预测未知标签。受人类学习方式的启发，ML使系统能够通过从数据中提取模式来处理复杂问题，而无需刚性编程。多年来，ML在排放预测、工业过程建模和环境模拟等领域发挥了变革性作用，所有这些都整合到CO2管理的各个阶段。
ML日益应用于与CO2减排相关的领域，包括过程预测与优化、预测性维护和能源系统运行，以及工业部门排放预测。其有效性在石化、钢铁和水泥行业中尤为明显，支持减排、提高运营效率和增强过程控制。这些多样化应用凸显了ML在CO2管理背景下的适应性，从基于能源或经济参数估算排放，到建模捕获效果和优化CO2转化技术中的过程变量。例如，集成学习算法如轻量梯度提升机（LightGBM）最近被证明能有效预测多孔介质中的气体水合物相平衡，而混合机器学习模型在预测钻井过程中的循环漏失方面表现出色，这类似于CO2地下注入中的不确定性难题。此外，机器学习技术已被用于模拟非传统储层中的聚合物注入过程，并分析应力驱动出砂等地质力学过程，这两者都与CO2储存和强化采油（EOR）环境中的物理和操作约束相似。最近对传统ML与贝叶斯深度学习方法在储层分析中的比较评估，进一步支持了量化地下预测不确定性的重要性，这是成功CO2监测和风险管理系统的一个关键要素。
本综述批判性地审视了排放预测、CO2捕获过程以及CO2转化为有用产品领域的应用。
被称为机器学习模型的算法，旨在检测数据中的模式并给出预测或判断，而无需使用明确编程的规则。机器学习范式包括监督学习、无监督学习和强化学习模型。在监督学习中，模型拟合到标记数据，使用线性回归、神经网络和决策树等方法，基于给定的输入特征预测目标值。无监督学习则试图在未标记数据中发现潜在结构，使用PCA和k-means聚类等技术。强化学习侧重于在动态环境中顺序学习，并通过Q学习和深度Q网络等方法随时间改进。自动驾驶汽车、自然语言处理、推荐系统以及图像和音频识别都基于机器学习方法。模型的选择取决于问题的性质、数据的性质和期望的结果。研究人员不断创新以增强ML能力。在监督学习中，模型从标记数据中学习，其中输入特征和正确输出值都是已知的。模型学习将输入数据映射到输出标签，预测新输入的输出结果。监督学习算法的示例包括线性回归、k-最近邻（kNN）、决策树、随机森林、支持向量机（SVM）以及神经网络如前馈和卷积神经网络（CNN）。无监督学习使用未标记数据，识别结构和模式。聚类算法如K-means和层次聚类，将具有相似特征的数据点分组，而降维方法如PCA和t-SNE减少变量数量，使数据模式更易于观察和解释。无监督方法如自编码器和基于密度的空间聚类与噪声应用（DBSCAN）对于处理没有标签的大型环境数据集非常有用。自编码器是基于神经网络的模型，压缩然后重构数据，帮助降低复杂性并突出关键特征。DBSCAN将彼此接近的数据点分组，并分离异常值，有助于识别异常模式。这些技术有助于发现隐藏趋势、减少数据大小和标记异常。这在CO2相关研究中尤其有用，因为在构建预测模型之前，通常先探索和理解数据。图2展示了监督、无监督和强化学习技术下的完整ML模型。诸如深度Q网络（DQNs）、Q学习和近端策略优化（PPO）等方法很常见。强化学习应用于游戏、自主系统和机器人。在回归问题中，监督学习通常用于找到匹配模型输出与实际值的数学关系，使用简单方程。决策树可用于分类和回归，根据特定特征值将数据分割成更小的组。一种称为随机森林（RF）的集成学习技术，结合多个决策树以提高预测精度并减少过拟合。每棵树在特征和数据的随机子集上训练。SVM是一种常用的监督学习模型，用于分类和回归，通过找到最佳边界来分离不同类别的数据。kNN是一种易于理解的监督学习方法，用于回归和分类，基于特征空间中k个最近邻的共识或平均值来预测数据点的标签/值。朴素贝叶斯是一种流行的贝叶斯概率分类模型，假设给定类标签时特征独立。这一假设使其在文本分类和垃圾邮件过滤等任务中高效。神经网络受人类大脑结构启发，高度通用，在语音合成、图像识别和自然语言处理等任务中表现出色，因为它们能够从输入和互连的神经元层中学习复杂模式。
K-Means是一种无监督学习方法，将数据点聚类成K个簇，基于相似性更新质心以最小化簇内方差。无监督学习方法如PCA减少数据中的变量数量，同时保留重要模式，有助于简化数据而不丢失有用信息。强化学习教导智能体在动态环境中做出决策，通过试错最大化奖励。广义回归神经网络（GRNN）和多层感知器（MLP）在CO2建模中经常使用。
文献检索利用了Scopus和Google Scholar数据库，仅关注研究文章，其中大部分来自Google Scholar，并由Scopus补充，以表1中的关键词为指导，获取关于ML在CO2管理阶段应用的研究。
文章的相关性通过两条规则确定：（1）标题至少包含表1中ML和碳类别中的一个术语；（2）标题必须包含表1中排放、捕获或转化中的任意一个术语。使用预定义关键词将文献分类到CO2生命周期的三个后续阶段。还进行了手动研究以确保包含所有相关文章。经过彻底审查，筛选出论文，最终获得排放阶段15篇、捕获阶段16篇和转化阶段14篇论文。图3显示了截至2023年这些研究在CO2管理所有阶段中的百分比分布。图4是代表本综述所用方法的工作流程图。系统检索到的文献被系统地安排到CO2管理的三个阶段，即排放、捕获和转化。ML在这些阶段的应用在关键性能指标方面进行了相对比较，从而可以识别出CO2管理活动中最普遍的ML模型。
本节介绍ML方法在CO2管理关键阶段（即排放、捕获和转化）中的使用，突出它们各自的功能、模型选择标准和在不同数据集上的性能度量。当应用于CO2管理时，ML模型的选择取决于输入输出关系的复杂性和可用数据的性质。例如，高斯径向基函数神经网络（GRFNN）在较小或结构较差的数据集上特别有效，因为它们可以用有限训练数据学习非线性趋势。相反，ANN和MLP在大规模、高维数据集上表现出更高的有效性，在CO2预测、捕获建模和转化产量预测方面，预测准确性、降低均方误差和增强泛化能力方面更常有效。监督学习方法在存在标记输出（即CO2水平、捕获效率或转化产量）的情况下特别有益，从而实现准确的预测建模。当标签不可用时，无监督学习方法如聚类或PCA有助于发现隐藏模式和数据分组。无论使用哪种模型，归一化、降维和特征选择等预处理步骤对于提高结果的准确性、可解释性和泛化性至关重要。
气候变化主要由GHG排放如CO2驱动，带来严重的环境和健康挑战，导致直接健康问题如呼吸困难，以及间接问题如酸雨和全球变暖，加剧的洪水和滑坡凸显了变革的紧迫性。图5给出了CO2排放源的完整分解。
许多研究关注ML在CO2管理排放阶段的应用。以下报道了一些关于CO2排放的文献。
碳捕获与储存（CCS）是一种在应对全球变暖和气候变化方面显示出令人鼓舞成果的策略。CCS被广泛认为是减少电厂和其他主要工业场地大气CO2排放的关键技术，这些排放是GHGs的主要来源，对全球气候变化有显著贡献。
存在两类主要的CO2捕获方法：燃烧后捕获，专注于直接从烟气中提取CO2；以及燃烧前捕获，旨在推进低碳密集型燃烧系统，如整体煤气化联合循环（IGCC）和富氧燃烧。富氧燃烧涉及使用纯氧来减少发电中的碳足迹。CO2捕获技术有不同的路径。在过去几十年中，工业界和学术界探索了多种捕获路线所示。
已有若干关于ML在CO2管理捕获阶段应用的研究。以下文献特别关注CO2捕获溶剂。Zhou等人、Sipocz等人、Khalilzadeh等人、Mirarab等人、Chan等人和Fu等人研究了胺基CO2捕获。Zhou等人使用ANN-SA和自适应神经模糊推理系统（ANFIS）模型研究胺基燃烧后CO2捕获方法，识别影响CO2产生和过程效率的关键参数，ANFIS在再沸器热负荷、CO2产率、贫液负载和CO2吸收效率方面分别达到95.0%、96.0%、92.3%和95.8%的预测准确度，优于ANN-SA。Sipocz等人使用基于胺的模拟器CO2SIM吸收工厂数据训练ANN，捕获和建模CO2捕获过程参数之间的非线性关系，ANN在CO2捕获、富液负载和再沸器负荷方面分别达到0.02%、0.06%和0.20%的平均误差。Khalilzadeh等人开发了ANN，在宽温度和压力范围内建模氨基酸盐溶液中CO2负载能力（含胺添加剂），在多种条件和盐类型下表现出高预测性能，R2=0.9951，ARD=4.04%，MSE=0.0053，MBE=?0.00003768。Mirarab等人使用ANN预测CO2在离子液体丙胺甲基咪唑丙氨酸 [pamim][Ala] 中的溶解度，发现MLP网络优于RBF网络，R2=0.999，SD=0.002，R=1.00，MSE=0.00000753。Chan等人应用分段线性ANN（PWL-ANN）和ANN分析胺基溶剂碳捕获系统中的关键过程参数。尽管两种模型都表现良好，但ANN在CO2产率（R2=0.9366，MSE=0.00122）、再沸器热负荷（R2=0.8400，MSE=31800000）、贫液负载（R2=0.7593，MSE=0.00319）和CO2吸收效率（R2=0.9269，MSE=0.00214）方面取得了更高的预测准确度。Fu等人开发了BPNN预测大型燃煤电厂中使用单乙醇胺（MEA）的CO2捕获效率。模型在输出变量如MEA循环量、CO2捕获量和蒸汽消耗量方面表现出强预测性能，R2值分别为0.97722、0.99801和0.98258。
MOF因其大表面积和高孔隙率而闻名，通过不饱和金属位点的配位键与非极性线相互作用。这导致CO2在MOF表面吸附。Deng等人使用4种ML算法（BPNN、DT、RF、SVM）以LM训练研究直接CO2捕获，RF达到最佳预测结果，R值为0.981。DESs（以reline为吸收剂）由于高溶解度、可忽略的损失以及因N2和O2溶解度差而产生的高纯度CO2产品，对CO2分离有效。Sun等人使用ANN研究PCC过程，总能耗、CO2纯度和CO2回收率的R2值分别为0.9996、0.9987和0.9903。MPDL基溶剂在PCC过程中显示出前景。将MPDL基溶剂与反应性胺如MEA、AMP和PZ混合，可增强CO2吸收动力学。Nimmanterdwong等人使用ANN预测MPDL基溶剂（MPDL、MPDL-MEA、MPDL-AMP、MPDL-PZ）的传输特性用于CO2吸收，在具有不同隐藏神经元的模型中使用学习算法LM、BR和SCG。BR-ANN模型（6个隐藏神经元）表现异常出色，R2为0.99996，MSE为0.0000346。NaOH通过快速碳酸化反应高效捕获CO2，将NaOH转化为碳酸钠（Na2CO3）或碳酸氢钠（NaHCO3）。较高的NaOH量增加CO2去除率。Naeem等人使用LM和BR算法训练的MLPNN预测流化床反应器中CO2捕获的Cout/Cin比率，R2为0.9838，AARD（%）为1.9217，MSE为0.000735。Kianpour等人探索使用干NaOH吸附剂进行CO2提取，使用LM训练的ANN模型优化捕获过程参数，达到高预测准确度，ARE=0.1144，MSE=0.0081，并通过补充实验验证了这些结果。化学吸附使得碳分子筛（CMS）在环境温度下通过碳酸化反应有效捕获CO2，调整CMS量和压力可增强CO2去除。Ghaemi等人使用RSM和ANN研究CO2吸收和还原，比较MLP、RBF和RSM模型，相关系数分别为0.99784、0.9497和0.8958。MLP与实验数据高度吻合，均方误差为6.246×10?4，R2为0.99784。超临界二氧化碳可通过溶解捕获被困在盐水层中，通过注入含超临界CO2的盐水来固定气体进行长期储存，有助于缓解气候变化。Menad等人使用两种神经网络模型（径向基函数神经网络（RBFNN）和MLP）结合GA、PSO、ABC和LM算法优化，研究CO2在盐水层中的溶解度，RBFNN-ABC在预测CO2在盐水中的溶解度方面达到令人印象深刻的R2为0.9896，RMSE为0.0572。离子液体（ILs）由于低挥发性、高溶解度和热稳定性而表现出优异的CO2捕获潜力，温度和压力操作可优化溶解度。Baghban等人评估了LSSVM、ANFIS、MLP-ANN和RBF-ANN等模型预测CO2在各种离子液体中溶解度的能力，LSSVM模型表现出优异的预测准确度（R2=0.9942，MRE=15.40%，MSE=0.000352，RMSE=0.01887，STD=0.246451）。活性炭的多孔结构和大的表面积使其能够通过物理相互作用和键合有效吸收CO2，其高CO2储存容量随压力增加而增加，随温度升高而降低。Rostami等人开发了MLFNN预测CO2在活性炭上的吸附，R2=0.999947，ARD（%）=0.871243，AARD（%）=2.871263，RMSE=0.001411。Jadoon等人开发了AI框架用于监测水泥制造设施中的SCU和低温单元，通过调整过程条件使用MATLAB、Excel和Aspen Plus模型生成550个数据样本。集成模型在CO2、SO2和NO估算方面显示出高相关系数，分别为0.9888、0.9663和0.9970，表明模型在预测过程组成方面的准确性。表3概述了在CO2捕获研究中使用的各种ML和AI模型，详细列出了关键输入参数、应用技术和报告性能。
2转化为燃料和化学品为管理大气浓度和回收GHGs提供了一种有前景的策略。然而，由于现有催化剂的选择性和活性不足，该方法的工业实施面临限制。为克服这一挑战，采用ML应用和理论建模来揭示化学反应机制并设计用于高效CO2转化的新催化剂。这种方法成功避免了重复且耗时的试错实验过程，是一种稳健且有效的方法。图7展示了CO2利用的各种途径。
合成气（Syngas）生产：Istadi等人将ANN与GA结合，模拟催化介质阻挡放电过程，通过甲烷和CO
生物质生产力：Hossain等人比较BRT、ANN和SVR模型在空气和CO
低碳烯烃（LO）生产：Chandana等人开发了ML框架，使用ANN模型（BR和LM算法）预测CO
2加氢生成轻质烯烃的催化剂活性，ANN-BR在预测方面优于其他ML模型，与实验数据高度吻合，测试数据的R值分别为0.90和0.8，RMSE值分别为8.43和16.73，AAD值分别为5.8和9.5。
