利用石墨烯气凝胶增强与机器学习实现超稳定微泡用于高效碳封存

《Electron》：Enabling Ultrastable Microbubbles With Graphene Aerogel Enrichment and Machine Learning for Highly Efficient Carbon Storage

　　

微泡（Microbubbles, MBs）因其独特性质与广泛用途，在医学成像、药物递送、材料科学及环境工程等领域备受关注。然而，其固有的稳定性与耐压性局限，制约了其在苛刻条件下的应用。本研究提出了一种面向下一代CO2填充超稳定微泡（Ultrastable Microbubbles, UMBs）的创新范式，通过将疏水性石墨烯气凝胶微粒（Hydrophobic Graphene Aerogel Microparticles, HAG-MPs）引入胶体型微泡（Colloidal Aphron Microbubble, CAMB）壳层，构建了兼具优异弹性响应与机械刚度的微泡体系。研究人员发现，添加0.16 wt% HAG-MPs增强的UMBs，在高达400 bar的加压循环下，气泡存活率约为71%，循环压力稳定性提升了490%（约6倍）。该研究推动了先进UMB系统的发展，有望革新碳捕集、封存与利用领域的多种应用。此外，研究人员开发了一种基于多目标回归堆叠（Multi-Target Regressor Stacking, MTRS）的多输出机器学习框架，用于预测关键UMB性能参数，其中半衰期预测误差低至3%，壳层厚度与直径比误差约为4%，循环压力稳定性误差为3%，相较于经典单输出机器学习方法，预测误差最高降低82%。

本研究发表于《Electron》，聚焦于解决微泡在高压环境下稳定性不足这一关键瓶颈问题，旨在开发适用于地质碳封存等极端场景的超稳定微泡体系。传统微泡（MBs）壳层强度有限，在超过临界压力后易塌陷，难以满足深层地质碳封存对高压稳定性的严苛要求。针对此，研究人员创新性地将三维结构的疏水性石墨烯气凝胶微粒（HAG-MPs）嵌入胶体型微泡（CAMB）的疏水外层，构建复合装甲壳层，并结合多输出机器学习模型优化性能预测。研究证实，该设计显著提升了微泡的耐压极限与长期稳定性，为高效碳封存提供了新材料策略，同时开发的机器学习框架大幅降低了高压实验成本与复杂度。

关键技术方法方面，研究人员采用冷冻研磨结合冷冻干燥法制备具有褶皱片层结构的三维疏水性石墨烯气凝胶微粒（HAG-MPs）。通过高速均质法将HAG-MPs嵌入CO₂填充的CAMB疏水壳层，制备不同浓度梯度的增强型CAMB。利用场发射扫描电镜（FE-SEM）、透射电镜（TEM）及接触角测量表征材料结构与疏水性。采用高压密度计与高压显微镜评估微泡在高达400 bar循环加压下的稳定性与存活率。基于实验数据，研究人员构建了多目标回归堆叠（MTRS）机器学习框架，集成六种常用算法作为基模型与元模型，同步预测半衰期、壳层厚度直径比及压力稳定性等多参数。

研究结果部分，在结构表征中，光谱与显微分析表明HAG-MPs呈三维多孔褶皱片层结构，经还原后含氧基团减少，疏水性增强，可稳定嵌入CAMB壳层的疏水区域。在疏水性研究中，HAG-MPs接触角约为124°，其在气水界面的吸附能计算证实了其热力学不可逆嵌入特性，有效抑制微泡聚并。在增强型CAMB表征中，随着HAG-MPs浓度增加，微泡平均粒径减小、分布变窄，壳层增厚；当浓度为0.16 wt%时，壳层厚度与直径比达临界值0.32，对应最优稳定性。在高压CO₂封存应用中，加压循环测试显示0.16 wt%样品在400 bar下气泡存活率达约71%，循环压力稳定性较空白样提升490%；高压显微观察进一步证实HAG-MPs加固的壳层有效抑制了奥氏熟化与聚并。在机器学习辅助发现部分，多输出MTRS框架显著优于传统单输出及单目标（ST）方法，将半衰期预测误差由17%降至3%，壳层厚度直径比误差由9%降至约4%，循环压力稳定性误差由9%降至3%，其中支持向量回归（SVR）与多层感知机（MLP）作为元模型表现最佳。

讨论与结论部分，研究人员指出，HAG-MPs通过其三维刚性网络与疏水特性，大幅提升了CAMB壳层的机械刚度与弹性模量，延缓了CO₂扩散与奥氏熟化，从而实现超稳定性能。MTRS模型通过捕捉多参数间相关性，实现了高精度预测，可指导后续实验优化。尽管当前测试温度未完全模拟真实储层条件，该研究仍为深层地质碳封存提供了极具潜力的微泡载体技术。未来工作需进一步评估其在高温、高盐及岩心驱替等更接近实际储层环境下的性能。