优化铀去除：一种结合机器学习与NSGA-II算法的方法，旨在平衡吸附效率与运营成本

《Journal of Environmental Chemical Engineering》：Optimizing Uranium Removal: A Machine Learning and NSGA-II Approach for Balancing Adsorption Efficiency and Operational Cost

建立了包含吸附剂性能、反应热力学和关键反应因子的综合铀吸附数据库（1760数据点），训练XGBoost等模型实现高精度预测（R2=0.958），SHAP分析显示吸附剂用量为关键因子，NSGA-II优化多目标参数，MC-NH?材料吸附能力达478.120 mg/g，为铀污染水处理提供方法框架。

　　铀污染废水对生态系统和人类健康构成重大威胁，因此开发高效且可靠的材料以去除铀（VI）成为关键课题。本研究构建了一个全面的铀吸附数据库，包含1760个数据点，涵盖三个关键领域，即吸附材料的特性、反应热力学以及影响吸附过程的关键因素。为了提高预测的准确性，我们训练并优化了三种梯度提升决策树模型，包括XGBoost、LightGBM和CatBoost，采用贝叶斯超参数调优和五折交叉验证方法。在这些模型中，XGBoost表现出最高的预测精度，其决定系数（R2）达到0.958，均方根误差（RMSE）为29.543。通过SHapley Additive exPlanations（SHAP）分析，我们发现吸附剂用量是影响铀吸附效果的主要预测因子，其平均绝对SHAP值为38.847。此外，我们采用NSGA-II多目标优化算法，以满足多目标需求，识别出最佳参数组合。在全面研究范围内，材料MC-NH?展现出最优的吸附性能，其吸附容量达到478.120 mg/g。通过将机器学习与NSGA算法相结合，我们能够识别不同区间下的最佳条件，为在不同环境下优化铀吸附提供方法论框架和指导。

铀作为重要的战略核燃料，为全球约10%的电力供应提供了支持。然而，随着核工业的快速发展，铀污染废水被排放到水体和陆地生态系统中，对环境和人类健康造成严重威胁。世界卫生组织（WHO）规定饮用水中铀的最大浓度为30 μg/L，但在一些发展中国家的铀矿区附近，水体中的铀浓度仍然显著偏高，例如印度旁遮普省的铀浓度超过556 μg/L。此外，阿拉伯联合酋长国约有3%的铀污染地下水铀浓度超过了WHO规定的饮用水限值。铀污染对人体的主要影响器官包括骨骼、肝脏和肾脏。当人体每日摄入35 μg的铀时，仅有0.7 μg通过尿液排出，0.27 μg通过粪便排出，大部分铀残留在人体内，因此去除铀污染成为一项重要的任务。

目前，铀污染治理主要采用吸附、化学沉淀、离子交换和膜分离等技术。其中，吸附技术因其操作简便和成本低廉而受到广泛青睐，推动了先进吸附材料的研发，如多孔碳、金属有机框架（MOFs）和生物复合吸附剂等。然而，高效吸附材料的设计和筛选仍是吸附技术广泛应用的主要制约因素。尽管许多研究集中于单一材料或复合材料的吸附容量系统研究，但进一步探索多用途材料的吸附能力和最佳反应条件仍具有重要意义。值得注意的是，当前研究在结构-性能关系、多因素耦合条件下的吸附机制以及材料在实际复杂环境中的长期稳定性方面仍存在显著的知识空白。因此，迫切需要将理论模拟与先进的表征技术相结合，建立一个系统的研究框架，将微观机制与宏观性能联系起来，从而推动高效吸附材料的定向设计和工程应用。

机器学习作为一种跨学科工具，能够学习科学领域中积累的大量数据，发现其基本原理和模式，并构建各种数据类型的预测模型。在催化剂筛选方面，机器学习技术能够大幅缩短筛选周期。在吸附材料设计领域，通过分析MOFs的拓扑结构和功能基团分布，机器模型可以优化多变量预测效果，并利用多种MOFs对二氧化碳和氮气的吸附数据来优化单变量预测能力。在工程应用方面，机器学习被用于预测和优化建筑的生命周期，整合了五个关键组成部分：目标函数、控制变量、程序、计算模型、机器学习技术和优化算法。这些组成部分被系统地联系起来，以反映建筑在其生命周期各阶段的性能关系，从而实现建筑寿命、能效和可持续性指标的有效预测和提升。此外，基于机器学习的分析已被用于研究驱动海岸线动态和海平面上升的关键因素，以减轻环境灾难风险。通过结合孕妇的生活方式、饮食模式、环境暴露及其体内重金属浓度，利用随机森林（RF）和XGBoost算法构建了预测模型，发现孕期特定的饮食摄入对镉（Cd）和汞（Hg）水平的时间变化具有显著影响，为风险缓解策略提供了可行的见解。

考虑到机器学习在重金属吸附中的应用，本研究提供了机器学习在优化生物炭吸附材料吸附重金属方面的经验。基于此，机器学习有望成为解决实际应用中选择铀吸附材料这一难题的关键工具，特别是在预测不同情况下的最佳吸附剂和吸附容量方面，从而加快对铀吸附问题的响应速度。然而，尽管机器学习具有广泛的应用性，目前关于利用机器学习提升铀吸附的研究仍较为有限。本研究旨在通过整理文献中的铀吸附数据，构建一个详细的数据集，并结合这些数据建立一个全面的数据库。我们训练了先进的机器学习模型，以系统识别影响铀吸附效率的关键因素，并基于参数数据预测吸附容量，这是现有文献中缺乏统一研究框架的领域。此外，为了弥补高效预测模型在实际应用中的应用空白，本研究将NSGA-II多目标优化算法与训练模型相结合，进行多目标优化。这种集成方法不仅减少了对重复实验的依赖，简化了参数评估，还显著提升了预测模型在铀去除中的准确性和适用性。综合来看，本研究提供了有价值的研究成果和可扩展的计算框架，为开发高效、可持续和经济可行的铀污染水体治理策略提供了支持。