机器学习预测活性炭吸附亚甲基蓝性能：从材料特性到工艺优化的智能模拟

《MetaResource》：Machine Learning Simulating and Predicting the Adsorption Performance of Activated Carbons for Removing Methylene Blue from Wastewater

　　本研究针对水体中亚甲基蓝（MB）污染治理难题，创新性地采用机器学习（ML）方法构建了活性炭（ACs）吸附性能预测模型。通过整合282篇文献的301组数据，优化随机森林（RF）算法，实现了对MB吸附容量（Q）的高精度预测（验证集R2=0.9998）。研究明确了ACs比表面积（SA）、初始浓度（CI）和孔容积（PV）为关键影响因素，并通过部分依赖分析揭示了各变量与吸附容量的非线性关系，为ACs材料设计和废水处理工艺优化提供了数据驱动的新范式。

　　

随着工业化进程加速，印染、制药等行业每年向水体排放超过70万吨合成染料，其中亚甲基蓝（MB）作为典型噻嗪染料，不仅难以生物降解，更会通过食物链引发人体基因突变风险。传统活性炭（ACs）吸附技术虽能有效去除MB，但材料研发与工艺优化长期依赖"试错法"，需耗费大量实验资源。据统计，近十年间ACs吸附MB的研究论文年均超600篇，但效率瓶颈始终未能突破。

为此，广州大学郭竹玲等研究人员在《MetaResource》发表研究，首次将机器学习（ML）技术系统应用于ACs吸附MB的性能预测。团队构建了包含ACs特性（比表面积SA、孔径PS、孔容积PV）与操作条件（温度Tem、时间t、pH、投加量AD、初始浓度CI）的双维度数据库，通过数据预处理与目标变量对数变换，建立随机森林（RF）预测模型。

关键技术方法包括：1) 从282篇文献提取301组数据，采用KNN插补法（K=3）处理缺失值，箱线图识别异常值；2) 对吸附容量（Q）进行对数转换改善数据分布，利用五折交叉验证优化RF超参数（n_estimators=1000，min_samples_leaf=3等）；3) 通过特征重要性分析与部分依赖图（PDP）解析变量影响机制。

3.1 数据集统计分析

数据分布显示ACs的SA范围12.65-1987 m²/g，PV范围0.00023-1.11 cm³/g，MB初始浓度跨度7-1000 mg/L。皮尔逊相关性分析表明SA与PV显著正相关（r=0.70），而吸附剂投加量（AD）与Q呈负相关（r=-0.21），反映吸附位点饱和效应。

3.2 模型调整与性能评估

优化后的RF模型在测试集表现优异（R²=0.994，RMSE=0.063），其泛化能力经独立验证集（32组新数据）进一步证实，预测值与实验值高度吻合（R²=0.9998）。研究指出RF算法通过Bootstrap采样与随机特征子集选择，有效规避了小样本过拟合问题。

3.3 特征重要性分析

变量重要性排序为SA（27.9%）> CI（22.3%）> PV（17.1%）> AD（9.9%）> PS（9.6%），证实材料结构参数主导吸附过程。温度（Tem）影响最弱（1.7%），说明室温条件下热力学因素非限制性环节。

3.4 输入特征部分依赖性分析

部分依赖图揭示：SA>1500 m²/g时Q仍持续增长，表明比表面积未达饱和阈值；PS在2-3 nm区间出现波动，与MB分子直径（1.4 nm）的空间匹配效应相关；pH=7.5时Q达峰值，印证静电吸附机制；AD>400 mg后曲线平缓，反映吸附平衡状态。

研究结论强调ML模型可精准预测ACs对MB的吸附性能，显著缩短材料筛选周期。通过揭示SA、CI、PV的核心作用，为定向设计高吸附容量ACs提供理论依据。尽管当前数据集存在分布不均局限，但该方法可扩展至其他污染物体系，推动环境治理向数字化、智能化转型。