基于多任务深度学习的煤化工废水中油酚类污染物协同吸附机制与选择性分离研究

针对煤化工废水(CCW)中66种油酚类污染物(OPs)选择性分离难题，研究人员开发了多任务深度学习(MTDL)模型，解析了BTEX/酚类/NHCs/PAHs/烷烃的竞争吸附序列，揭示分子浓度/碳氢比等关键影响因素，构建的MOF/SCP吸附体系实现67.79%-78.31%的分离效率，为工业废水低碳资源化提供新策略。

　　

煤化工废水(CCW)的污染控制是全球性难题，其中油酚类污染物(OPs)因毒性高、难降解成为治理瓶颈。传统碱洗、萃取等方法存在高能耗、低效率等问题，而吸附技术虽具绿色低碳优势，却受限于对复杂体系中多污染物的选择性分离能力。尤其当废水中同时存在苯系物(BTEX)、酚类、氮杂环化合物(NHCs)、多环芳烃(PAHs)和烷烃等66种OPs时，其竞争吸附机制尚不明确。为此，来自西安建筑科技大学的研究团队在《Separation and Purification Technology》发表研究，通过开发多任务深度学习(MTDL)模型，结合分子结构特征分析，首次系统阐明了复合污染体系中的协同吸附机制。

研究采用固定床吸附系统，以MOF/SCP(金属有机框架/多孔碳复合材料)为吸附剂处理实际CCW样本。通过气相色谱-质谱联用技术动态监测66种OPs的浓度变化，结合分子描述符计算和Shapley值(SHAP)分析，构建了同时预测吸附速率与容量的MTDL模型。

Temporal characterization of OPs co-adsorption
研究发现不同类别OPs呈现阶梯式吸附：BTEX最快达到平衡(2h)，酚类/NHCs/PAHs/烷烃依次延后。MTDL模型预测精度(R²>0.96，RMSE<0.16)显示，分子浓度、碳百分比(C%)和复杂度是主导因素。其中苯系物因π-π堆积作用优先吸附，而长链烷烃因分子体积效应滞后。

Molecular-level adsorption mechanisms
SHAP分析揭示碳氢比(C/H)与吸附容量呈负相关，而分子量(MW)对PAHs吸附呈双峰效应。当MW<200Da时，扩散速率主导；MW>200Da时，孔道匹配度成为限制因素。特别值得注意的是，吡啶类NHCs通过氢键与MOF的Zn²⁺位点结合，形成特异性吸附。

Selective separation strategy
基于机制解析，团队提出pH梯度洗脱策略：酸性条件(pH=3)优先解吸酚类，中性条件回收BTEX，碱性条件(pH=11)释放PAHs。实验验证显示该策略使酚类分离效率达78.31%，同时保持吸附剂循环使用5次后性能衰减<7%。

该研究通过MTDL模型首次量化了CCW中多污染物协同吸附的"分子结构-吸附性能"关系，开发的MOF/SCP复合材料突破传统吸附剂543mg/g的容量限制。提出的选择性分离策略将资源回收能耗降低42%，为煤化工行业实现"双碳"目标提供了关键技术支撑。研究同时指出，未来需拓展模型在多种吸附剂体系的普适性，并进一步优化洗脱工艺以提高NHCs(43.39%)的回收率。