编辑推荐：
为解决工业废水中重金属（HMs）污染问题，研究人员开展胺基修饰介孔二氧化硅吸附剂吸附 Ce (Ⅲ)、Hg (Ⅱ)、Cu (Ⅱ) 的研究，通过 14 种机器学习算法优化吸附条件，发现新型堆叠回归器性能最优，为重金属去除技术提供新方向。
工业活动向环境释放的重金属如 Ce3?、Hg2?、Cu2?等，不仅威胁生态系统，还会通过生物富集危害人体健康，导致器官损伤、癌症等严重后果。传统的重金属检测和去除方法，如离子交换、化学沉淀等，存在成本高、耗时长、操作复杂且依赖专业人员等问题。随着工业废水处理需求的提升，如何高效、精准地预测和优化重金属吸附过程，成为环境治理领域的关键挑战。
为应对这一难题，研究人员开展了胺基修饰介孔二氧化硅吸附剂对重金属吸附性能的研究，并探索机器学习算法在优化吸附效率中的应用。该研究成果发表在《Hybrid Advances》。
研究人员主要采用了以下关键技术方法：合成并表征胺基修饰介孔二氧化硅吸附剂，通过改变吸附剂用量、吸附时间、溶液 pH 和 NaCl 浓度等参数，进行重金属吸附实验；构建包含 87 个样本的数据集，运用 14 种机器学习算法（包括线性模型、集成方法和支持向量机等）预测三种重金属的吸附效率；利用 SHAP 分析评估特征的重要性和依赖性；开发新型堆叠回归器以提升预测性能。
实验条件与数据集构建
研究通过实验确定了影响重金属吸附的关键参数，包括吸附时间、吸附剂用量、溶液 pH 和 NaCl 浓度，计算式为吸附率（%）=[(C?-C?)/C?]×100，其中 C?为溶液初始浓度，C?为给定时间的溶液最终浓度。实验选取 Ce (Ⅲ)、Hg (Ⅱ)、Cu (Ⅱ) 作为目标重金属，其初始浓度分别为 50 mg/L、10 mg/L 和 50 mg/L，吸附时间优化为 180 min，pH 范围 3-12，NaCl 浓度 10%-50%。数据集包含原始特征（吸附时间、吸附剂用量、pH、NaCl 浓度等）和衍生特征（各特征的均值、标准差、方差等），通过相关性分析和特征工程扩展至 16 个特征。
机器学习模型预测性能
在使用名义特征的预测中，集成学习模型如 Categorical Boosting（CB）、Gradient Boosting（GB）、Extreme Gradient Boosting（XGB）表现优异，R2 值分别为 0.711、0.711、0.712，而线性模型如 LASSO、Elastic Net 性能较差。引入衍生特征后，模型预测精度显著提升，堆叠回归器表现最佳，R2 达 0.887，均方根误差（RMSE）为 0.114，超越其他单一模型。
特征重要性与依赖性分析
SHAP 分析表明，时间是影响吸附效率的最关键因素，其与 NaCl 浓度、吸附剂用量的相互作用显著。在名义特征中，时间的 SHAP 值最高，其次为 NaCl 浓度和吸附剂用量，pH 影响最小；在衍生特征中，时间及其衍生变量（如时间方差、时间标准差）、NaCl 均值和吸附剂用量标准差等是主要影响因素。特征依赖性分析显示，时间对 NaCl、吸附剂用量的 SHAP 值影响显著，而 pH 的依赖性较弱。
结论与意义
该研究成功开发了一种高效的胺基修饰介孔二氧化硅吸附剂，其对 Hg (Ⅱ)、Ce (Ⅲ)、Cu (Ⅱ) 的吸附效率分别达 98%、97%、90%。通过机器学习算法优化，新型堆叠回归器在预测吸附效率方面表现出优越性能，为复杂体系中的重金属吸附过程优化提供了数据驱动的解决方案。研究结果强调了时间在吸附过程中的核心作用，并验证了特征工程对提升模型精度的重要性。该工作不仅拓展了介孔材料在环境治理中的应用，还为机器学习在化学工程和废水处理中的跨学科研究提供了新范式，有助于减少实验成本和时间，推动工业重金属去除技术的智能化发展。
