数据驱动与理论计算融合：机器学习优化有机复合材料对水体多环芳烃的高效去除机制研究

本文综述系统整合机器学习（ML）与密度泛函理论（DFT）计算，构建了XGBoost-CMAES高精度预测模型（R2=0.9615），揭示了初始浓度、比表面积等关键参数对多环芳烃（PAHs）吸附行为的调控机制，为有机复合材料的设计与水体污染治理提供了数据驱动的理论框架。

　　

Highlights

本研究成功构建了基于机器学习的预测框架，用于分析和预测微纳米有机复合材料对多环芳烃（PAHs）的吸附行为，旨在通过数据驱动技术精准调控复合材料设计与反应策略。

The construction of machine learning framework

本研究主要采用机器学习（ML）构建基于深度数据学习的预测分析模型，具体目标是建立针对PAHs类型及对应水环境条件的有机复合吸附剂设计与合成策略。如图1所示，机器学习的工作流程主要包括四个方面：数据收集与预处理、数据处理与模型开发、模型评估与模型优化。

Statistical analysis of databases

为深入探究吸附复合材料的特征参数并进一步阐明吸附反应过程，对数据库中的所有数据点进行了全面统计分析。该分析主要涵盖输入特征与目标变量的考察，以及不同数据子集的分布模式。输入特征可分为三大类：第一类涉及吸附剂材料特性（如比表面积、孔径分布），第二类为反应条件参数（如初始浓度、接触时间、pH值），第三类为吸附物（PAHs）的分子特性（如辛醇-水分配系数K_ow、分子量）。

Conclusions

本工作开发了数据驱动的XGBoost-CMAES模型，用于预测和解释在数据库所表征的吸附条件与材料描述符范围内，PAHs在有机复合材料上的吸附行为。但需注意，对于超出这些范围的外推（包括极端条件或未表征材料）应谨慎对待。该模型不仅展现出高预测精度，还对多维复杂环境数据表现出强适应性。