随着全球能源危机和气候变化受到广泛关注，寻找替代能源变得愈发关键，生物质作为丰富且有前景的可再生原料，热解能将生物质转化为高附加值产品而备受瞩目。然而，生物质热解产物的产率分布与其性质受到生物质原料本身特性与热解工况的全面影响。但是，在当前生物质热解研究中，受制于实验条件与成本限制，传统实验方法尚未能充分分析原料与工况对热解产物特性的综合影响，因此，借助于可靠的数值模拟计算模型来理解生物质热解过程，分析各因素对热解过程的全面影响，从而达到对热解产物定向增量提质的目标至关重要。

因此，作者利用机器学习算法建立高效且经验证可靠的数学计算预测模型，为生物炭产量预测与性质的定向调控提供了新的判别手段。结果表明，与其他模型相比，极限梯度提升（XGB）模型作为代表性集成模型在预测生物炭的物理化学性质方面表现更好，R²值最佳，平均绝对误差和均方根误差值最低。此外，PCC和SHAP分析显示热解温度与生物炭中的芳香化程度之间存在强相关性（PCC = -0.8）。总之，选择合适的机器学习模型可以帮助预测不同来源生物炭的物理化学性质，而无需进行复杂且耗时耗力的热解实验。该成果发表在Journal of Analytical and Applied Pyrolysis（JCR一区TOP期刊，IF=5.8）期刊上，标题为“Machine learning prediction of biochar physicochemical properties based on biomass characteristics and pyrolysis conditions”。

在此基础上，该团队认为揭示气相、固相和液相产物的演化模式以及闪速热解反应途径，对于通过生物质热解的生物精炼方法有效实现木质纤维素生物质的资源化利用至关重要。因此，作者尝试在800至1000 °C的温度范围内对碱性木质素进行闪速热解，加热速率为22 - 290 °C/s，反应时间为20秒至5分钟，以探究气相释放模式、液相组分变化和碳结构演变之间的相关性。值得注意的是，气相产物中的CO₂排放量已降至0 %，CH₄降至2 %，其余主要由合成气H₂和CO（> 98 %）组成，这归因于高温反应，包括烃类的蒸汽重整、甲烷重整和焦炭气化等过程。闪速热解的高能量转换效率有助于生物油解聚、键裂解、开环、酯化和断链等过程，实现超过99 wt%的气相和固相产品收率，有效解决了由生物油粘度引起的分离和回收问题。与其他传统的快速热解或真空热解方法不同，闪蒸焦耳热可以实现在几秒钟内将温度快速升高到 800–1000 °C，并保持数十秒至几分钟来实现超快速热解，显著缩短了反应时间并降低了能耗。在极端条件下，它还促进了关键中间体（例如，低聚物或特定酚类化合物）的形成或转化，从而为更深入地了解木质素热解机制和后续催化放大过程中的高值化利用奠定了基础。综上所述，该研究为碱木质素的高值化利用提供了一种可行的方法，有助于清洁生产和循环经济，该成果发表在Chemical Engineering Journal（中科院一区TOP期刊，IF=13.4）期刊上，标题为“Detailed investigation of the flash pyrolysis of alkali lignin: Trends in the migration of three-phase products”。 

上述研究成果第一作者为2022级博士生宋远博，沈峥研究员为论文通讯作者。该研究成果得到了政府间国际科技创新合作重点项目（2022YFE0120600）、上海市科技委员会（23dz1203700，22dz1208300）、中国国家自然科学基金（U21A20322）、中国宝武低碳冶金创新基金（BWLCF202105）和贵州省科技项目（[2024]正常048，[2023] Normal 051）的资助。