机器学习在石油烃污染土壤微波修复中的应用：关键因子解析与预测模型优化

针对微波热修复石油烃污染土壤过程中影响因素复杂、非线性关系难以量化的问题，研究人员通过构建217组数据集，采用XGBoost等4种机器学习模型预测TPH去除率，经贝叶斯优化后模型R2达0.9658，揭示微波温度、处理时间和含水量为关键调控因子，为智能修复决策提供新范式。

　　

随着石油工业发展，土壤中总石油烃（TPH）污染已成为全球性环境问题。这类含苯系物、多环芳烃（PAHs）的污染物不仅阻碍植物生长，还会通过食物链威胁人类健康，如Wang等学者发现其可能诱发白血病风险。传统热修复技术虽有效但能耗高，而微波加热凭借分子级靶向升温特性，展现出能耗低、效率高的优势。然而现有研究多局限于单因素分析，难以解析微波功率、温度、土壤含水量等参数间的复杂交互作用。

为突破这一瓶颈，中国某研究机构团队在《Journal of Environmental Management》发表研究，首次将机器学习（ML）应用于TPH微波修复预测。通过系统收集217组实验数据，研究人员对比了随机森林（RF）、支持向量回归（SVR）、反向传播神经网络（BPNN）和极端梯度提升（XGB）四种算法性能。采用基于树结构Parzen估计（TPE）的贝叶斯优化结合并行计算，将XGB模型的预测误差（RMSE）从8.22%降至4.58%，决定性系数R²提升至0.9658。

关键技术包括：1）构建涵盖微波参数（功率/时间/温度）、土壤特性（pH/有机质/比表面积）和污染物浓度的多维数据集；2）采用SHAP值和部分依赖图（PDP）进行模型可解释性分析；3）通过Bootstrap重采样量化预测不确定性。

【数据准备与处理】
文献检索获取的样本显示，初始TPH浓度跨度达95300 mg/kg至500 mg/kg，微波处理温度区间为300-600°C。Pearson相关性分析发现加热温度与TPH去除率相关性最强（r>0.75）。

【模型优化与验证】
经TPE优化后的XGB模型在测试集表现最优，其RMSE较未优化模型降低44.3%。SHAP分析表明微波温度贡献度占比达38.7%，显著高于处理时间（21.5%）和含水量（18.2%）。PDP曲线揭示温度与去除率呈非线性正相关，且在400°C后增速趋缓。

【讨论与结论】
该研究创新性地建立了微波修复TPH的智能预测框架，证实XGB模型在捕捉参数间非线性相互作用方面的优势。发现微波温度通过影响分子极化程度主导修复效率，而适量水分可增强介电损耗提升能量转化率。研究成果为自适应土壤修复系统的开发提供理论支撑，其方法论可拓展至其他有机污染场地的治理优化。值得注意的是，Bootstrap分析显示模型在极端条件（如>800°C）下预测不确定性增加，提示未来需补充高频段实验数据。