基于机器学习模型的空气滤网异味挥发性有机物（VOCs）优先级评估研究

这篇研究通过机器学习（Random Forest/Bagging Regression/Gradient Boosting）预测机械通风系统中空气滤网释放的挥发性有机物（VOCs）气味阈值，结合气味活性值（OAV）识别醛类为主要异味贡献者。研究发现臭氧暴露使VOCs排放量提升2.1-2.9倍（R2=0.786），为靶向监测和室内空气质量控制提供了新思路。

　　

Highlight

臭氧能与机械通风系统空气滤网表面吸附的污染物反应，产生具有异味的挥发性有机物（VOCs）。过度暴露于这些异味可能导致生理（如恶心、头晕）和心理（如焦虑、注意力下降）双重影响。本研究通过机器学习模型预测滤网释放VOCs的气味阈值，结合气味活性值（OAV）锁定关键异味物质，为前瞻性环境健康风险管理提供新工具。

VOCs采样分析

根据EN779-2012标准，空气滤网按颗粒物去除效率分级。G4级粗效滤网因能有效拦截>1μm颗粒（撞击效应）、中等颗粒（截留效应）和亚微米颗粒（扩散效应）而广泛应用于机械通风系统。

VOCs浓度与臭氧效应

图3显示两种G4滤网暴露于洁净空气时分别检出19和33种VOCs，总浓度（TVOC）为252.8±23.1μg/m³和425.2±33.4μg/m³。100ppb臭氧暴露后，VOCs检出数量增加1.1-1.6倍，总浓度飙升2.1-2.9倍，证实臭氧显著促进滤网污染物转化。

Conclusions

主要发现：

1. 1.

   连续使用7天的G4滤网释放的VOCs中，醛类占比高达38-52%；

2. 2.

   随机森林模型预测性能最优（R²=0.786，RMSE=0.657）；

3. 3.

   通过OAV分析锁定己醛、戊醛等为关键致臭物质。

Environmental Implication

该研究揭示了滤网吸附污染物-臭氧反应-异味生成的连锁环境健康风险，建立的机器学习预测框架可替代传统人体试验，为智能化的室内空气质量管理提供科学依据。