机器学习引导的绿色Nb2O5-NPs@CeO2-NPs光催化降解Eriochrome Black T染料的研究

本研究针对工业废水中有毒且难降解的Eriochrome Black T（EBT）染料污染问题，通过绿色合成铌基-氧化铈纳米催化剂（Nb2O5-NPs@CeO2-NPs），结合机器学习算法（DT/RF/XGBoost）优化光催化降解路径。结果表明，该催化剂在可见光下实现68% EBT降解（k=0.0101 min?1），且RF模型预测性能最佳（R2test=0.8364），为可持续水处理提供新策略。

　　

纺织和化学工业排放的染料废水对生态环境构成严峻威胁，其中Eriochrome Black T（EBT）作为典型的难降解阴离子染料，不仅导致水生生态系统失衡，还会引发人体健康风险。传统水处理方法难以有效去除这类高稳定性污染物，而高级氧化工艺（AOPs）因其能产生高活性自由基（如O₂^–•和h⁺）成为研究热点。然而，现有催化剂存在能带间隙（band gap）宽、成本高等瓶颈，且降解路径优化依赖耗时实验。

为解决上述问题，巴西佩洛塔斯联邦大学（原文未明确国内单位）的研究团队创新性地将绿色合成的铌-氧化铈纳米催化剂（Nb₂O₅-NPs@CeO₂-NPs）与机器学习（ML）技术结合，实现了EBT的高效降解与路径预测，成果发表于《Inorganic Chemistry Communications》。

关键技术方法
研究采用山核桃壳提取物（C. illinoiensis）通过生物还原法合成Nb₂O₅-NPs和CeO₂-NPs，通过X射线衍射（XRD）、场发射扫描电镜（FEG-SEM）等表征材料性质；利用决策树（DT）、随机森林（RF）和XGBoost算法预测降解产物；通过伪一级动力学模型评估降解效率。

研究结果

1. 材料表征
XRD证实催化剂同时具备Nb₂O₅单斜晶相（2θ=32.44°）和CeO₂四方晶相（2θ=28.34°）。掺杂后带隙从2.89 eV降至2.44 eV，比表面积（S_BET）从19增至102 m² g^?1，zeta电位（ZP）为?22.7 mV，表明材料稳定性提升。

2. 光催化性能
在pH=5（接近pH_ZCP 6.54）条件下，120分钟内实现68% EBT降解，速率常数k=0.0101 min^?1。自由基捕获实验证实O₂^–•和h⁺是主要活性物种。

3. 机器学习预测
RF模型表现最优（测试集R²=0.8364，RMSE=49.24），成功识别出关键降解中间体，为反应路径优化提供数据支撑。

结论与意义
该研究通过绿色合成策略开发出高效稳定的Nb₂O₅-NPs@CeO₂-NPs催化剂，结合ML技术突破了传统光催化研究的试错局限。其创新性体现在：① 利用植物提取物降低合成成本；② 通过能带调控增强可见光响应；③ 建立ML驱动的降解预测模型。这项工作不仅为SDG6（清洁饮水和卫生设施）目标提供了技术方案，也为智能材料设计开辟了新范式。