基于机器学习的镧基吸附剂优化设计及其对水体磷酸盐的高效去除机制研究

本研究针对水体磷酸盐(P)污染治理需求，采用随机森林(RF)、梯度提升回归(GBR)和极限梯度提升(XGB)等机器学习(ML)模型，系统预测了镧(La)基吸附剂的结构特性与吸附性能关系。研究发现初始P浓度(C0)、pH值、比表面积(SBET)和La比重是关键影响因素，优化参数下吸附容量达167.16 mg/g。通过ML指导合成的La-Mn吸附剂实测吸附量达168.40 mg/g，为水体富营养化治理提供了新策略。

　　

水体富营养化已成为全球性环境问题，其中磷酸盐(P)作为关键限制性因子，其过量排放会引发藻类暴发性增殖。传统吸附材料虽能去除P，但在低浓度水体中效率有限。镧(La)基吸附剂因其对P的特异性结合能力备受关注，但其性能受多重复杂因素影响，包括材料特性(S_BET、孔隙率)、环境参数(pH、共存离子)和操作条件(投加量、C₀)，这些因素的交互作用机制尚未阐明。

为解决这一科学难题，来自贵州师范大学和河北师范大学的研究团队在《Journal of Environmental Chemical Engineering》发表论文，首次将机器学习(ML)应用于La基吸附剂的性能预测与优化设计。研究通过Web of Science数据库收集484组实验数据，涵盖12种特征变量，采用随机森林(RF)、梯度提升回归(GBR)、极限梯度提升(XGB)和鲸鱼算法优化神经网络(WOA-ANN)四种模型进行系统分析。

关键技术方法包括：1) 通过SHAP值和部分依赖图(PDP)解析特征重要性；2) 采用五折交叉验证评估模型鲁棒性；3) 基于模型指导合成La-Mn复合吸附剂并进行实验验证。

数据收集与分析
研究团队构建了包含La含量(30.17-85.30 wt%)、S_BET(173.43-192.01 m²/g)、pH(2.00-6.44)等参数的数据库，重点关注吸附容量(123.84-167.16 mg/g)与变量的非线性关系。

模型性能比较
RF、GBR和XGB模型均表现出色(R²>0.99)，显著优于WOA-ANN。特征重要性分析显示，C₀(251.53-300 mg/L)和投加量(0.1-0.78 g/L)的交互作用对吸附容量影响最大，当C₀>250 mg/L且投加量<0.78 g/L时性能最优。

关键参数优化
S_BET与总孔体积(V_tot)的协同效应被发现：高S_BET提供更多活性位点，而适中的V_tot(0.21-0.25 cm³/g)有利于P扩散。La比重需控制在60-75 wt%以平衡成本与性能。

实验验证
依据ML预测合成的La-Mn吸附剂实测吸附量达168.40 mg/g，较传统材料提升35%，证实了模型的准确性。

该研究通过ML揭示了La基吸附剂的多参数协同作用机制，建立的预测模型可为材料设计提供理论指导。提出的"高La含量+介孔主导"材料设计策略，为实际水体修复工程提供了新材料开发范式。研究不仅解决了吸附剂性能预测的难题，更开创了ML在环境功能材料优化中的应用新途径。