使用废弃咖啡渣生物炭对Remazol Brilliant Blue R染料进行吸附去除的过程中，RSM（反应序列模型）和ANN（人工神经网络）的优化与对比建模

《Chemosphere》：Optimization and comparative modelling of RSM and ANN for the adsorptive removal of Remazol Brilliant Blue R dye using spent coffee ground biochar

本研究采用350℃热解制备的咖啡渣生物炭（SCGB）吸附Remazol Brilliant Blue R（RBBR）染料，通过Box-Behnken设计探究pH、吸附剂投加量、接触时间和初始染料浓度对去除率的影响。对比响应面法（RSM）与人工神经网络（ANN）模型，ANN在交叉验证（RMSE=5.19，R2=0.94）和全数据集（RMSE=0.59，R2=0.99）中表现更优。实验最大去除率达92.54%，优化显示低pH、高吸附剂用量、长接触时间和低初始染料浓度是关键因素，模型均支持实用操作区。证实SCGB为低成本、可持续的染料吸附剂。

　　在当前的工业发展背景下，水体污染问题日益严重，尤其是在纺织、食品加工、制药、皮革和涂料等行业中，合成染料的排放成为主要的污染源之一。这些染料不仅具有高度的水溶性，还因为其结构中的蒽醌发色团而难以被生物降解，因此对生态环境和人类健康构成了显著威胁。特别是，纺织行业在这一过程中扮演了重要角色，其排放的染料污染导致了水体的严重污染，甚至与某些癌症的发生相关联。为了应对这一挑战，开发高效的废水处理技术显得尤为重要，其中吸附技术因其高效率和较低的二次污染风险，被广泛认为是一种具有潜力的解决方案。

在众多吸附材料中，生物炭因其来源广泛、成本低廉以及良好的吸附性能而受到关注。生物炭通常由农业或工业生物质在缺氧条件下高温热解制成，具有较高的比表面积和丰富的表面官能团，这使得其在污染物去除方面表现出色。近年来，研究人员开始探索将咖啡渣等工业副产品转化为生物炭，以实现废物的资源化利用。咖啡渣作为全球咖啡生产和消费过程中的主要废弃物，每年的产量庞大，若能有效利用，不仅能够减少环境负担，还能为可持续发展提供支持。

本研究聚焦于一种名为Remazol Brilliant Blue R（RBBR）的阴离子蒽醌染料，该染料广泛用于纺织品染色，包括丝绸、尼龙和羊毛等材料。由于其对环境的高危害性，RBBR染料的去除成为当前研究的重点。为提高去除效率，本研究采用了一种基于响应面法（RSM）和人工神经网络（ANN）的综合方法，对使用咖啡渣生物炭（SCGB）去除RBBR染料的实验条件进行了系统优化。通过设计27组实验，研究了初始pH值、吸附剂用量、接触时间和初始染料浓度等因素对去除效率的影响，并利用编码值对这些变量进行建模。

响应面法是一种基于统计学的实验设计方法，能够通过减少实验次数，有效分析多个变量之间的相互作用。而人工神经网络则是一种基于机器学习的模型，能够模拟复杂的非线性关系，从而在预测和优化方面展现出更高的准确性。在本研究中，通过留一法交叉验证（LOOCV）对两种模型进行了评估，结果显示人工神经网络在预测性能方面优于响应面法。当使用完整的数据集进行建模时，人工神经网络的预测准确率达到了99.9%，而响应面法的准确率仅为97.3%。这表明，人工神经网络在处理这类复杂问题时具有更强的适应性和准确性。

此外，本研究还利用遗传算法（GA）对两种模型进行了优化，以探索最佳的操作条件。在优化过程中，两种模型都采用了惩罚机制，以避免出现不合理的高预测值。响应面法在优化过程中识别出的最优去除效率为99%，这反映了其二次曲面在低pH值、高吸附剂用量和较长接触时间下的陡峭上升趋势。而人工神经网络则显示出更平滑的上升趋势，其峰值接近95.4%，表明在极优条件下，去除效率的提升趋于平缓。总体来看，人工神经网络在预测性能方面具有明显优势，而响应面法则提供了更具解释性的基础模型，并揭示了更高的理论去除上限。

为了进一步验证SCGB的吸附性能，本研究对其进行了详细的表征分析。通过傅里叶变换红外光谱（FTIR）分析，研究了SCGB在吸附前后的化学组成变化。结果显示，吸附过程显著改变了生物炭表面的官能团分布，表明其表面结构在吸附过程中发生了重要变化。此外，通过热重分析（TGA）和近似分析，研究了SCGB的热稳定性，结果显示其在800°C以下的重量损失仅为47.09%，表明其具有良好的热稳定性。同时，SCGB的固定碳含量为50.24%±0.57%，进一步证明了其作为吸附材料的可行性。

扫描电子显微镜（SEM）分析则揭示了SCGB在吸附过程中的形态变化，表明其表面结构在吸附过程中发生了显著改变。这些表征结果为理解SCGB的吸附机制提供了重要依据，并支持了其在水处理中的应用潜力。此外，本研究还探讨了SCGB在不同条件下的吸附能力，包括不同pH值、吸附剂用量和接触时间对去除效率的影响。结果表明，在低pH值、高吸附剂用量和较长接触时间的条件下，SCGB的吸附能力显著增强，这与其表面官能团的性质和吸附机制密切相关。

在实验过程中，SCGB被用于一系列的批次吸附实验，以评估其在不同条件下的性能。研究发现，初始染料浓度对去除效率的影响尤为显著，随着浓度的增加，去除效率呈现下降趋势。这表明，在处理高浓度染料废水时，需要调整吸附剂用量和接触时间，以提高去除效率。此外，pH值对吸附性能的影响也不容忽视，低pH值条件下，SCGB的吸附能力显著增强，这可能与其表面电荷性质和吸附机制有关。

为了进一步优化吸附过程，本研究还对SCGB的吸附性能进行了深入分析。通过比较不同实验条件下的去除效率，研究者能够识别出最佳的操作参数。结果表明，在低pH值、高吸附剂用量和较长接触时间的条件下，SCGB的吸附性能最佳，其去除效率达到了92.54%。这一结果不仅验证了SCGB作为吸附材料的可行性，还为实际应用提供了重要的参考依据。

本研究的结果表明，SCGB在去除RBBR染料方面具有显著优势，其成本低廉、来源广泛，并且在处理过程中不会产生有害的副产物。这使得SCGB成为一种理想的吸附材料，特别是在处理染料污染废水方面。此外，SCGB的吸附性能还受到其物理化学性质的影响，包括比表面积、表面官能团和孔隙分布等。这些性质在不同热解条件下会发生变化，因此，优化热解参数对于提高SCGB的吸附性能至关重要。

在实际应用中，SCGB的使用不仅可以减少工业废弃物的排放，还能为水处理提供可持续的解决方案。通过将咖啡渣转化为生物炭，不仅可以降低对环境的影响，还能创造出具有经济价值的吸附材料。这种循环经济模式不仅有助于资源的循环利用，还能减少对环境的负担，为实现可持续发展提供了新的思路。

此外，本研究还探讨了SCGB在不同应用场景下的适用性。例如，在土壤修复和水处理过程中，SCGB可以有效地去除重金属和有机污染物，这表明其在环境治理方面具有广泛的潜力。通过进一步的研究，可以探索SCGB在其他类型污染物去除中的应用，以拓展其使用范围。

综上所述，本研究通过系统实验和建模分析，验证了SCGB在去除RBBR染料方面的有效性，并揭示了其作为吸附材料的优势。这些结果不仅为实际应用提供了重要依据，也为进一步研究SCGB在其他污染物去除中的应用奠定了基础。通过采用人工神经网络和响应面法相结合的方法，本研究为优化吸附过程提供了科学支持，并强调了在实际操作中选择合适条件的重要性。这些发现表明，SCGB作为一种低成本、可持续的吸附材料，在处理染料污染废水方面具有广阔的应用前景。