基于数据的递归动力学建模在芬顿反应中的应用

《Environmental Science & Technology》：Data-Driven Recursive Kinetic Modeling for Fenton Reaction

Fenton反应降解动力学建模面临复杂机制和多重变量影响，本研究提出无需先验知识的MERML框架，通过递归机器学习直接从实验数据捕捉动力学模式，成功预测12种酚类化合物降解过程，并实现反应优化与机理分析。

　　

芬顿反应是一种广泛用于水净化的先进氧化工艺，因其简单性和高效降解难降解有机污染物的能力而备受重视。然而，由于反应机制复杂且对多种操作变量具有高度敏感性，准确建模其降解动力学仍然具有挑战性。在此，我们开发了一种多重估计递归机器学习（MERML）框架，该框架能够根据初始反应条件（包括污染物类型、初始污染物浓度和芬顿试剂用量）预测动力学曲线。MERML无需预先了解反应机制，而是通过建立从先前反应状态到未来浓度的数据驱动映射，直接从实验数据中捕捉递归动力学规律。该框架在准确性、小样本学习能力、鲁棒性、可解释性以及应用范围方面表现出色，适用于12种酚类化合物的芬顿反应实验数据集。此外，MERML还实现了数据驱动的动力学分析，包括反应条件优化、影响反应速率的变量分析以及代表性动力学模式的识别。这项工作为污染物降解建模、处理优化和环境反应系统的动力学分析提供了一种新的工具。