机器学习驱动的生物炭电容去离子性能预测与逆向优化研究

【编辑推荐】本研究创新性地采用机器学习（ML）结合SHAP（Shapley Additive Explanations）可解释性分析，构建了生物炭电极在电容去离子（CDI）系统中的性能预测模型。通过解析电解质浓度（EC）和比表面积（SSA）等关键参数对盐吸附容量（SAC）的影响，实现了R2达0.709的高精度预测，并开发逆向优化策略指导材料设计，为低碳水处理技术提供智能化解决方案。

　　

Highlight

本研究通过机器学习揭示了生物炭在电容去离子（CDI）中的吸附机制，首次将随机丢弃（random dropout）技术与SHAP可解释性分析结合，构建了具有高泛化能力的多层感知机（MLP）模型。实验验证显示，电解质浓度（EC）和比表面积（SSA）是影响盐吸附容量（SAC）的"双子星"因素，其贡献度如同化学反应中的催化剂般显著。

Conclusions

该机器学习模型不仅以R²=0.709的精度实现性能预测，更开创性地通过逆向映射技术指导生物炭材料设计，如同为CDI领域装配了"智能导航仪"。研究证实，当SSA>1000 m²/g且EC<10 mM时，生物炭电极的SAC可提升30%以上，这为开发"量身定制"的低碳水处理材料提供了新范式。