基于多模态深度学习的活性炭吸附挥发性有机化合物容量预测研究

本研究针对传统活性炭(AC)吸附模型简化表面结构参数导致预测精度不足的问题，创新性地开发了融合原始BET数据的多模态深度学习模型。该模型在验证集和测试集上分别达到R2=0.9465和0.9318的预测精度，通过SHAP分析揭示了微孔尺寸和离子类型等关键影响因素，为环境污染物治理提供了可扩展的智能预测框架。

　　

随着工业化进程加速，挥发性有机化合物(VOCs)污染已成为全球性环境难题。这类物质不仅通过"三致"效应（致癌、致畸、致突变）威胁人类健康，其在水-气界面的迁移特性更导致治理困难。传统水处理技术中，活性炭(AC)凭借其发达的孔隙结构和疏水特性成为首选吸附剂。然而，AC材料千差万别的物理化学性质使得吸附性能预测成为巨大挑战——既往研究将复杂的表面结构简化为单一数值参数，既难以准确反映吸附机制，又限制了模型在新型AC材料上的泛化能力。

针对这一瓶颈问题，韩国国立研究基金会资助的研究团队在《Journal of Cleaner Production》发表创新成果。研究人员突破传统建模思路，首次将原始布鲁诺尔-埃米特-泰勒(BET)测试数据与实验条件参数融合，构建了联合融合(joint fusion)策略的多模态深度学习模型。该研究基于1576组实验数据，涵盖苯系物、四氯乙烯(PCE)等典型VOCs在不同AC组成、环境条件下的吸附动力学过程。

关键技术方法包括：1)整合历史文献中的AC吸附实验数据集；2)采用多模态架构同步处理BET等分析仪器原始数据与结构化实验参数；3)通过SHAP值解析模型决策机制；4)严格采用留出法验证模型对未训练AC组成的预测能力。

【数据获取与描述统计】
研究团队系统整理了包含温度(Temp)、AC投加量(Dose)、pH值、离子浓度(C_ion)等关键参数的实验数据集。统计分析显示，数据集中20°C、0.1g AC剂量、中性pH等条件占主导，反映了地表水处理的典型工况。这种数据分布特征确保了模型在实际应用场景中的可靠性。

【模型性能验证】
与单模态模型相比，提出的多模态模型在预测平衡吸附容量(q_e)方面展现出显著优势。测试集R²达0.9318，验证集达0.9465，证明其卓越的泛化能力。特别值得注意的是，模型对训练集未出现的AC组成仍保持高精度预测，解决了传统方法"遇新则衰"的痛点。

【机制解析发现】
通过SHAP分析揭示了三个关键规律：1)BET曲线特征重要性远超传统单一参数；2)初始比表面积与离子类型的交互作用显著影响吸附效能；3)不同VOCs的吸附主导机制存在差异——苯系物主要依赖微孔填充，而PCE更受表面化学性质影响。这些发现与孔隙填充机制(pore-filling mechanism)的理论预期高度吻合。

该研究的突破性价值体现在三个维度：方法论上，开创了直接利用仪器原始数据的建模范式，避免了人工特征提取引入的偏差；技术上，验证了多模态学习在环境工程领域的适用性；应用层面，提供的可扩展框架适用于各类吸附剂-污染物体系。正如通讯作者Kyung Hwa Cho强调的，这项工作为智能化的环境治理技术开发树立了新标杆，其"端到端"的数据处理方式更可能引发吸附表征技术的范式变革。研究揭示的微孔尺寸关键作用，也将指导下一代高性能AC材料的定向设计。