基于机器学习的标准化活性炭吸附效能评估：突破疏水性局限的有机微污染物去除机制解析

针对活性炭(AC)吸附有机微污染物(OMPs)时传统评估指标(如logD)的局限性，研究人员通过机器学习(ML)构建"标准AC"参照体系，整合XGBoost/RF/ET算法(R2=0.88-0.98)揭示logD≈2为吸附机制转变阈值，发现分子柔性(rotatable bond ratio>0.012)可提升微孔填充效率，为水处理工艺设计提供数据驱动新范式。

　　

随着工业化进程加速，水体中药物残留、农药、异味物质等有机微污染物(Organic Micro-Pollutants, OMPs)的治理成为全球性难题。活性炭(Activated Carbon, AC)因其高比表面积(800-1500 m²/g)和丰富微孔结构(<2 nm)，长期被视为最实用的吸附材料。然而传统评估主要依赖疏水性指标logD（辛醇-水分配系数），这种单一参数无法解释含芳香环、极性基团等复杂结构OMPs的吸附行为差异，导致实际应用中吸附剂筛选和工艺设计缺乏统一标准。

为突破这一瓶颈，中国科学院生态环境研究中心的研究团队创新性地提出"标准AC"概念，通过机器学习整合52种AC的1557组吸附数据，系统解析了56种OMPs的吸附机制。研究发现当logD≈2时，吸附主导力从疏水作用转变为π-π相互作用和氢键结合；更突破性的发现是分子柔性（以rotatable bond ratio>0.012为界）能克服空间位阻，显著提升微孔填充效率。该成果发表于《Water Research》，为水处理领域建立了首个数据驱动的吸附效能评估基准。

关键技术方法包括：1) 收集1557组涵盖PPCPs、异味物质等56种OMPs的吸附等温线数据；2) 采用XGBoost、随机森林(RF)和极端随机树(ET)算法构建预测模型；3) 应用SHAP值和PDPs进行机制解析；4) 通过分子描述符量化构效关系。

【数据收集与特征选择】
研究整合了52种AC对56类OMPs的吸附数据，筛选11项分子描述符（如logD、分子量等）和3项AC特性（BET比表面积、总孔容、平均孔径），通过Pearson相关系数排除共线性特征，确保输入变量独立性。

【特征分布与共线性】
分析显示所选特征间相关系数均<0.7，其中分子量、logD与吸附量呈显著相关性，而rotatable bond ratio与微孔吸附效率存在非线性关系，这为后续机制解析奠定基础。

【结论】
研究团队Zichu Wang和Qi Wang等提出的"标准AC"参照体系，使AC吸附评估达到与氧化动力学常数相当的标准化水平。XGBoost模型预测精度最高(R²=0.98)，揭示logD阈值效应和分子柔性作用机制，为含复杂官能团OMPs的去除提供理论指导。

【讨论】
该研究首次系统量化了不同logD区间主导吸附力的转变规律：当logD>2时疏水作用占优，logD<2时π-π相互作用和氢键主导。更值得注意的是，分子柔性通过增强构象适应性，使大分子OMPs（如分子量>250 Da）能在微孔中"折叠"进入，这一发现改写了传统空间位阻理论。研究建立的GitHub开源代码库和标准化吸附数据库，为水处理行业提供了可复用的智能决策工具，推动吸附工艺从经验驱动向数据驱动转型。