基于异质结气凝胶SERS基底与机器学习联用的爆炸性废水高精度检测新方法

为解决爆炸性废水中多组分有机污染物在极端酸碱环境下检测灵敏度低、信号识别困难的问题，研究人员开发了ZnO-CuO异质结气凝胶（ZCO-A）SERS基底，结合机器学习算法实现了污染物96%的高精度鉴别。该基底通过增强电荷转移（CT）效应使检测限达10?8 M，并在强酸/碱环境中保持稳定，为危险废水监测提供了新策略。

　　

工业爆炸物生产排放的废水含有高毒性、强酸性的有机污染物，如1,3,5,7-四硝基-1,3,5,7-四氮杂环辛烷（HMX）和苦味酸（PA），这些物质难以降解且易通过生态系统迁移累积，被美国环保署（USEPA）列为致癌致畸物。传统贵金属SERS基底在极端pH条件下易腐蚀失效，而半导体基底虽稳定性佳却因电荷转移（CT）效率不足导致灵敏度受限。此外，废水多组分共存使拉曼光谱特征峰重叠，依赖人工识别的传统方法效率低下。

中国工程物理研究院化工材料研究所的Xuan He团队提出了一种创新解决方案：通过超临界干燥和热处理制备ZnO-CuO异质结气凝胶（ZCO-A）SERS基底，结合机器学习算法构建了高精度检测平台。该研究发表于《Sensors and Actuators B: Chemical》，关键技术包括：1）利用气凝胶三维多孔结构富集污染物分子；2）通过异质结内建电场（IEF）增强CT效应，使增强因子（EF）达5.01×10⁶；3）采用支持向量机（SVM）等算法分析复杂光谱数据。

研究结果

1. 基底特性：ZCO-A的X射线衍射（XRD）显示ZnO（002）晶面与CuO特征峰共存，密度泛函理论（DFT）计算证实异质结界面电荷密度差显著提升CT效率。
2. 检测性能：对HMX（10^?7 M）、PA（10^?6 M）和亚甲基蓝（MB，10^?8 M）等污染物表现出超高灵敏度，且在pH 1-13范围内信号稳定性保持90%以上。
3. 机器学习整合：主成分分析（PCA）降维后，卷积神经网络（CNN）模型对混合废水的识别准确率达96%，显著优于人工解析。

结论与意义
该研究通过异质结工程和机器学习联用，突破了极端环境下爆炸性废水检测的三大瓶颈：1）ZCO-A的化学稳定性解决了基底腐蚀问题；2）CT效应优化将检测限推进至纳摩尔级别；3）智能算法实现了复杂混合物的快速精准鉴别。这项技术为环境监测提供了兼具高灵敏度、抗干扰性和自动化分析能力的全新方案，尤其适用于军工、化工等高风险行业的废水管理。研究团队特别指出，该平台的普适性设计可扩展至其他危险化学品检测领域。