机器学习驱动的非催化等离子体甲苯降解路径优化与环境效益评估研究

本研究针对工业排放甲苯(VOC)污染控制难题，创新性结合介质阻挡放电(DBD)非热等离子体(NTP)技术与机器学习算法，通过SVR、RF、GBR及物理信息神经网络(PINN)模型优化降解参数，确定215V/4.8min最佳工况，实现96.2%去除率与93.9%矿化度，为VOC治理提供高效低碳解决方案。

　　

随着工业进程加速，甲苯作为典型挥发性有机化合物(VOC)的年产量已突破3000万吨，其排放不仅导致神经损伤、胎儿畸形等健康风险，更会通过生成臭氧(O₃)和二次有机气溶胶加剧大气污染。传统热催化技术需200℃以上高温且产生副产物，而介质阻挡放电(DBD)非热等离子体(NTP)虽能在常温常压下高效降解甲苯，却面临参数优化复杂、能耗高的瓶颈。

加拿大自然科学与工程研究委员会(NSERC)资助团队在《Journal of Environmental Chemical Engineering》发表研究，开创性地将机器学习与等离子体技术结合。研究人员构建定制化DBD反应器（石英管ID 20.0mm/OD 25.0mm），通过调节输入电压(150-250V)和暴露时间(1-10min)生成•OH、O₂^-等活性粒子，采集108组降解效率数据。采用支持向量回归(SVR)、随机森林(RF)等算法建模，特别引入物理信息神经网络(PINN)嵌入质量守恒定律，最终确定215V/4.8min最优参数组合，实现96.2%降解率与8.32g·kWh^-1能效，较传统方法节能37%。

实验设计
研究采用三阶段方法：1）DBD反应器系统测试电压/时间对降解效率影响；2）建立包含SVR、GBR等5种机器学习模型；3）通过技术经济分析(TEA)评估可再生能源整合效益。关键创新在于PINN模型引入物理约束，确保预测结果符合等离子体反应动力学规律。

主要结果

1. 参数优化：电压超过200V时电子密度呈指数增长，但215V后出现能量饱和效应；
2. 机器学习：PINN模型R²达0.983，较传统模型提升12%，成功预测未实验区间的降解行为；
3. 环境评估：耦合风电可降低38%碳排放，验证NTP技术可持续性。

该研究突破传统"试错法"局限，首次实现等离子体降解过程的数字化孪生。技术经济分析显示，每吨甲苯处理成本可控制在$85以下，为工业装置放大提供理论支撑。物理约束建模方法更开创VOC治理新范式，其PINN框架可扩展至苯系物、醛类等污染物降解系统。研究团队特别指出，δ-MnO₂催化剂与脉冲电源的协同优化将是下一步重点，有望将CO₂选择性提升至90%以上。