序論：持続可能なエネルギーを求めて
世界的なエネルギー需要の増大と、気候変動への早急な対応の必要性は、持続可能なエネルギーソリューションを求める世界的な探究を加速させています。私たち化学工学の研究者もこの課題に貢献すべく、再生可能かつ豊富に存在するバイオマスの力を活用する革新的な方法を模索しています。
バイオマスは、農業廃棄物などの有機物由来の資源であり、熱分解（パイロリシス）と呼ばれるプロセスを通じて、エネルギー価値の高い製品へと変換することが可能です。このプロセスでは、酸素を遮断した状態でバイオマスを加熱し、バイオ油（液体）、バイオ炭（固体）、バイオガス（気体）といった産物を生成します。
私たちの最新の研究［1］では、機械学習を活用して、バイオマスの熱分解により得られるこれらの価値ある生成物の収率を予測・最適化することに焦点を当てました。本研究成果は、学術誌 Renewable Energy に掲載されています。
熱分解プロセスをより精密に制御することで、バイオマスの利用効率を最大限に引き出し、より持続可能なエネルギー社会の実現に貢献することを私たちは目指しています。
図1. 燃料エネルギー消費の概念図
なぜバイオマス熱分解が重要なのか
バイオマスは再生可能エネルギー源として多くの利点を有しています。広く入手可能で、多様性があり、しばしばカーボンニュートラルと見なされる点がその代表例です。加えて、廃棄されるバイオマスをエネルギー生産に活用することにより、廃棄物の削減や温室効果ガスの排出抑制にもつながります。
中でも、バイオマスの変換技術として有望なのが熱分解です。この方法は、構造がシンプルで、コスト効率が良く、さまざまな条件に対応できる柔軟性を持っているため、非常に注目されています。
熱分解によって得られる生成物は用途が広く、たとえば、バイオ油はさらに精製して液体燃料に転換でき [2–4]、バイオ炭は土壌改良材や炭素隔離（カーボンキャプチャー）[5] に利用され、バイオガスはエネルギー源として直接利用可能です[6]。
しかしながら、これらの生成物の収率（得られる量）は、バイオマスの種類や熱分解条件によって大きく変動するため、プロセスの最適化は容易ではありません。
図2. バイオ燃料生産のためのバイオマス熱分解の模式図
熱分解プロセス最適化における課題
バイオマス熱分解における主要な課題のひとつは、生成物の収率に影響を及ぼす多くの要因が複雑に相互作用していることです。
バイオマスは主にセルロース、ヘミセルロース、リグニンから構成されますが、これらの成分の割合は原料ごとに大きく異なります。さらに、熱分解時の温度や加熱速度といった運転条件も、最終的な生成物の分布を決定する上で極めて重要な役割を果たします。
このような多因子的な影響を克服し、プロセスを最適化するためには、バイオマスの組成および運転条件に基づいて、生成物の収率を高精度に予測できる手法を開発することが不可欠です。
アプローチ：機械学習の力を活用
私たちの研究では、バイオマス熱分解プロセスのモデリングおよび最適化に機械学習を活用する手法を検討しました。機械学習は、データ中の複雑なパターンを抽出し、高精度な予測を行うことができる強力なツールです。
私たちは、農業残渣などさまざまな種類のバイオマスや、温度・加熱速度といった熱分解条件を含む、合計273件の実験データを既存の複数の研究から収集し、包括的なデータセットを構築しました。
このデータを用いて、バイオ油、バイオ炭、バイオガスの収率を予測する複数の機械学習モデルを学習・比較しました。その結果、XGBoostに代表されるアンサンブル学習モデルが他のモデルよりも高い予測精度を示し、バイオマスの組成・運転条件・生成物分布の間に存在する複雑な関係性を的確に捉える能力があることが明らかになりました。
図3. バイオマス熱分解生成物収率の機械学習による予測と最適化
さらに、私たちはこの XGBoost モデルを用いて感度解析を実施しました。これにより、温度や加熱速度の変化が、バイオマスの種類ごとにバイオ油・バイオ炭・バイオガスの収率にどのような影響を与えるのかを定量的に把握することが可能となりました。
この解析により、目的とする生成物の収率を最適化するために、どのような熱分解条件が適しているかについての有益な知見が得られました。
結論：持続可能なバイオマス活用に向けて
私たちの研究では、機械学習手法がバイオマス熱分解の収率を高精度に予測・最適化できる可能性を示しています。
得られた知見は、特定のバイオマス原料に最適化された熱分解条件のガイドラインを構築する上で有益な情報を提供するものであり、目的とする生成物の収率最大化に資するアプローチの開発に寄与するものです。
私たちは、本研究が持続可能なエネルギー技術の進展に貢献し、バイオマス資源のより効率的な利用への道を切り拓くものと確信しています。
詳細については、研究論文全文をご覧ください。 K. Cheenkachorn et al. Renewable Energy 248 (2025) 123108
参考文献
[1] K. Cheenkachorn, C. Prapainainar, T. Wijakmatee, Machine learning-driven modeling of biomass pyrolysis product distribution through thermal parameter sensitivity, Rew. Energy 248 (2025) 123108. https://doi.org/10.1016/j.renene.2025.123108.
[2] J. Jiang, J. Xu, Z. Song, Review of the direct thermochemical conversion of lignocellulosic biomass for liquid fuels, Front. Agric. Sci. Eng. 2 (2015) 13. https://doi.org/10.15302/J-FASE-2015050.
[3] S. Wang, G. Dai, H. Yang, Z. Luo, Lignocellulosic biomass pyrolysis mechanism: A state-of-the-art review, Prog. Energy. Combust. Sci. 62 (2017) 33–86. https://doi.org/10.1016/j.pecs.2017.05.004.
[4] R.E. Guedes, A.S. Luna, A.R. Torres, Operating parameters for bio-oil production in biomass pyrolysis: A review, J. Anal. Appl. Pyrolysis 129 (2018) 134–149. https://doi.org/10.1016/j.jaap.2017.11.019.
[5] S. Ren, H. Lei, L. Wang, Q. Bu, S. Chen, J. Wu, Hydrocarbon and hydrogen-rich syngas production by biomass catalytic pyrolysis and bio-oil upgrading over biochar catalysts, RSC Adv. 4 (2014) 10731–10737. https://doi.org/10.1039/C4RA00122B.
[6]W. Jung, G.B. Rhim, K.Y. Kim, M.H. Youn, D.H. Chun, J. Lee, Comprehensive analysis of syngas-derived Fischer–Tropsch synthesis using iron-based catalysts with varied acidities, Chem. Eng. J. 484 (2024) 149408. https://doi.org/10.1016/j.cej.2024.149408.
