综述：人工智能在吸附过程优化中的应用：2014–2024年研究趋势与发展的文献计量分析

《Results in Engineering》：Artificial Intelligence in Adsorption Process Optimization: A 2014–2024 Bibliometric Analysis of Research Trends and Developments

　　人工智能在吸附过程优化中的应用趋势、挑战及未来方向

　　近年来，随着人工智能（AI）和机器学习（ML）技术的迅速发展，其在吸附过程优化领域的应用逐渐成为研究热点。从2014年到2024年，这一领域的研究呈现出显著的增长趋势，特别是在Scopus数据库中，相关文献的年均增长率达到了26.54%。这项研究通过文献计量分析，全面探讨了AI在吸附过程优化中的应用趋势、研究重点以及国际间的合作情况，为未来的研究方向提供了宝贵的参考。

### 1. 研究背景与意义

吸附技术是环境修复和水处理领域的重要手段之一，其核心在于通过吸附剂与污染物之间的相互作用，有效去除水体中的有害物质。传统的吸附参数优化方法通常依赖于实验试错法或统计方法，如响应面法（RSM）。然而，这些方法在处理复杂系统时存在时间成本高、泛化能力有限等缺点。随着AI和ML技术的引入，研究者能够利用这些技术对吸附过程进行更高效的建模和预测，不仅提高了模型的准确性，还为优化吸附条件提供了新的视角。例如，人工神经网络（ANN）模型在某些研究中显示出比传统方法更高的预测精度，如R2值达到0.99。这种技术的引入为吸附研究带来了显著的变革，使研究者能够在更短时间内获取更精确的预测结果，并更好地理解吸附机制。

此外，AI技术在吸附过程中的应用不仅仅局限于优化参数，还扩展到了材料设计和吸附机制的深入分析。例如，通过无监督学习方法如主成分分析（PCA），研究者能够识别出影响吸附性能的关键参数，如初始浓度和温度，从而为吸附材料的设计提供理论支持。这种结合AI与实验数据的方法，不仅提升了吸附过程的预测能力，还促进了吸附材料的创新。

### 2. 研究方法与工具

为了全面分析AI在吸附过程优化中的应用趋势，研究团队采用了Scopus数据库进行文献计量分析。Scopus以其广泛的文献覆盖范围和强大的数据整合能力，成为此次研究的理想选择。研究者通过特定的搜索策略，结合关键词如“adsorption”、“optimization”、“artificial intelligence”、“machine learning”等，筛选出696篇相关文献。这些文献涵盖了从2014年至2024年的研究成果，涉及多个学科领域，如化学、环境科学、材料科学和计算机科学等。

在分析过程中，研究团队使用了VOSviewer和RStudio等工具。VOSviewer以其可视化能力，能够清晰地展示文献的关键词共现网络、作者合作网络以及期刊间的耦合关系。而RStudio则提供了更深入的数据处理和分析功能，特别是通过Bibliometrix包，研究者能够对文献的引用次数、作者影响力、国家合作网络等进行系统分析。这种多工具结合的方法，不仅提升了分析的深度，也为后续的研究提供了直观的数据支持。

### 3. 研究成果与讨论

#### 3.1 文献趋势分析

从文献数量的变化可以看出，AI在吸附过程优化中的应用正呈现出快速增长的趋势。例如，2024年的文献数量达到了200篇，而2014年仅为19篇。这种指数级增长表明，研究者对AI在吸附过程优化中的兴趣正在不断加深。此外，文献的平均年龄为3.68年，说明该领域的研究仍以较新的成果为主，且研究方向持续更新，反映了该领域的活跃性和创新性。

文献的平均引用次数为30.25次，总引用次数高达41,346次，显示出该领域研究成果的广泛影响。研究者通过关键词共现分析发现，”artificial neural networks”、”machine learning”、”adsorption”和”optimization”是该领域的核心关键词。这些关键词的频繁出现，不仅反映了AI技术在吸附过程中的重要性，还揭示了研究者在这一领域内的关注重点。

#### 3.2 期刊分析

在期刊分析中，研究团队发现多个高影响力的期刊在该领域中占据主导地位。例如，”Journal of Molecular Liquids”在第一簇中具有最高的链接数，这表明该期刊在吸附研究中的重要性。同时，”Chemosphere”和”Journal of Environmental Management”在第二簇中占据重要位置，显示出其在环境科学领域的广泛影响力。第三簇则以”Journal of Colloid and Interface Science”为核心，这表明该期刊在吸附材料的界面特性研究中具有显著地位。第四簇则由”Journal of Environmental Chemical Engineering”引领，说明该期刊在吸附过程与化学工程的交叉研究中发挥着重要作用。

这些期刊的共同特点是它们在吸附研究中的广泛覆盖和高影响力。通过对文献的耦合分析，研究者能够识别出这些期刊之间的关联性，从而更好地理解该领域的研究动态。此外，这些期刊的高引用次数和文献数量，也反映了其在学术界的重要地位。

#### 3.3 关键词分析

关键词共现分析揭示了该领域的研究主题和热点。通过构建关键词网络，研究者发现三个主要的集群：第一个集群（红色）包括与ANN和优化技术相关的关键词，第二个集群（绿色）关注吸附过程、污染物类型和动力学研究，第三个集群（蓝色）则涉及ML的应用、预测和优化。这些关键词的分布不仅反映了AI在吸附过程中的应用范围，还展示了研究者在不同方向上的探索。

此外，研究者通过趋势分析，发现近年来AI在吸附研究中的应用范围不断扩大。例如，”machine learning”和”artificial neural networks”等关键词的出现频率显著上升，显示出AI技术在吸附过程中的重要性。同时，”carbon dioxide”和”phosphate”等关键词的出现，也表明吸附技术的应用已从传统的废水处理扩展到更广泛的环境和能源领域。

#### 3.4 作者与机构分析

在作者分析中，研究团队发现多个关键研究者对AI在吸附过程优化中的贡献尤为突出。例如，Ghaedi Mehrorang因其高引用次数和丰富的研究成果，成为该领域的核心研究者之一。此外，其他如Asfaram Arash、Hu Jiwei等研究者也对这一领域的发展起到了重要作用。

机构分析同样显示了吸附研究的全球合作趋势。例如，伊斯兰阿扎德大学（Islamic Azad University）和亚苏吉大学（Yasouj University）在该领域中具有显著的贡献，分别发表了83篇和80篇相关文献。这些机构的研究成果不仅推动了吸附技术的发展，还为AI在吸附过程中的应用提供了重要的理论支持。

### 4. AI/ML在吸附过程中的应用

#### 4.1 技术应用

在吸附过程优化中，AI和ML技术被广泛应用于模型构建、参数预测和材料设计。例如，ANN模型因其强大的非线性建模能力，被用于预测和优化吸附过程中的关键参数，如pH值、吸附剂量、接触时间和初始污染物浓度。这些模型能够提供高精度的预测结果，从而帮助研究者更有效地优化吸附条件。

此外，SVM（支持向量机）也被用于吸附过程的建模，尤其是在处理高维数据和非线性关系方面表现出色。而ANFIS（自适应神经模糊推理系统）则通过结合神经网络和模糊逻辑，提供了一种具有较高可解释性的模型，特别适用于需要深入理解吸附机制的研究。

#### 4.2 应用实例

在实际应用中，AI和ML技术已被用于多种吸附场景。例如，在去除有机污染物、重金属和染料的研究中，ANN模型显示出卓越的预测能力，达到99%以上的去除效率。此外，ML模型也被用于优化吸附材料的合成和性能，如通过预测吸附材料的吸附能力，指导新型吸附剂的设计。

在CO?捕集和重金属去除等新兴领域，AI技术的应用也日益增多。例如，通过ML模型对MOFs（金属有机框架）和高熵合金等新型材料的吸附性能进行预测，能够显著减少实验合成的成本。同时，AI与分子模拟技术的结合，使得研究者能够在原子尺度上理解吸附过程，从而推动吸附材料的创新。

### 5. AI在吸附过程中的挑战

尽管AI在吸附过程优化中展现出巨大的潜力，但其应用仍面临诸多挑战。首先，数据的获取和质量是AI模型性能的关键因素。许多吸附研究生成的数据量不足，难以训练出具有泛化能力的ML模型。此外，数据的噪声、不完整性和不一致性也影响了模型的准确性，因此需要引入先进的数据预处理技术以提高数据质量。

其次，模型的可解释性问题也是一大挑战。许多AI模型，尤其是基于深度学习的模型，被视为“黑箱”模型，难以解释其预测结果。为了解决这一问题，研究者开始采用如SHAP（Shapley Additive exPlanations）等解释性工具，以提高模型的透明度和可信赖度。

此外，吸附材料的多样性也对AI模型的泛化能力提出了更高要求。由于不同吸附材料具有不同的吸附机制和性能，AI模型需要具备更强的适应性，以在不同材料之间进行有效的预测。因此，研究者需要不断优化模型结构，选择合适的特征描述符，以提高模型的预测能力和适用性。

### 6. 研究局限性与未来展望

虽然文献计量分析为AI在吸附过程优化中的应用提供了全面的视角，但该方法本身也存在一定的局限性。首先，文献计量分析依赖于数据库的覆盖范围和数据质量，如Scopus、Web of Science等数据库可能遗漏一些非英语文献或小型期刊，导致研究结果存在偏差。其次，该分析的时间范围仅限于2014年至2024年，未能涵盖2024年之后的研究进展，可能影响对当前趋势的准确判断。

为了弥补这些局限性，未来的研究应进一步扩展数据库的覆盖范围，纳入更多非英语文献和小型期刊的研究成果。同时，结合定性分析方法，如对研究内容的深入解读和对研究方法的评估，可以更全面地理解AI在吸附过程优化中的实际应用价值。此外，建立标准化的吸附数据库，不仅有助于提高模型的泛化能力，还能促进不同研究之间的对比和验证。

### 7. 结论

综上所述，AI和ML技术在吸附过程优化中的应用正迅速增长，为解决环境和工业中的吸附问题提供了新的思路和方法。通过文献计量分析，研究者能够识别出该领域的关键趋势、重要研究者和机构，以及国际合作的热点。然而，AI在吸附过程中的应用仍面临数据稀缺、模型可解释性和材料特异性等挑战。未来的研究应致力于解决这些问题，推动AI技术在吸附领域的深入应用，以实现更高效、更可持续的环境修复和资源回收目标。通过多学科合作和系统的数据管理，AI有望成为吸附研究中不可或缺的工具，为环境治理和工业发展提供强有力的支持。