《Journal of Environmental Management》：Experimental and machine learning analysis on Mn doped Fe
2O
3@Bi
2S
3 heterojunctions for visible light photocatalytic degradation of Rhodamine B
编辑推荐：
•通过水热法合成了Mn掺杂Fe2O3@Bi2S3异质结。•5% Mn掺杂在可见光照射下60分钟内实现了约80%的罗丹明B（RhB）去除率。•Mn掺杂调节了带隙并改善了载流子分离。•S6样品在五次重复使用后仍保留了约96%的初始活性。•经ABC优化的CatBoost算法对RhB
- •
通过水热法合成了Mn掺杂Fe2O3@Bi2S3异质结。
- •
5% Mn掺杂在可见光照射下60分钟内实现了约80%的罗丹明B（RhB）去除率。
- •
Mn掺杂调节了带隙并改善了载流子分离。
- •
S6样品在五次重复使用后仍保留了约96%的初始活性。
- •
经ABC优化的CatBoost算法对RhB降解的测试R2达到0.9986。
引言
由纺织、化妆品和制药工业中合成染料引起的水污染仍然是最持久的全球环境挑战之一。这些染料化学性质稳定、不可生物降解且具有毒性，即使在痕量浓度下也会产生致突变和致癌作用（Haste等人，2024；Kumari，2024；Orak等人，2024）。传统的处理工艺——如吸附、凝聚和生物降解——往往不足以实现其完全矿化（Kanaujiya等人，2019；Rashid等人，2021）。因此，基于半导体的光催化作为一种可持续、节能的废水修复替代方案日益受到关注。特别是，可见光响应光催化剂因其能够利用更大比例的太阳光谱并在环境条件下有效运行而备受关注（Ahmed和Mohamed，2022；V. Dutta等人，2023；Naseri等人，2021）。然而，大多数已报道的光催化剂仍存在太阳能利用有限和优化要求复杂等问题，这阻碍了其在实际废水处理中的规模化应用（Loeb等人，2019；Rasool等人，2025）。
材料设计方面的最新进展表明，异质结的形成和过渡金属掺杂可以有效增强光吸收和电荷分离，从而提高光催化活性（Deka和Kalita，2018；D. P. Dutta等人，2017；Tang等人，2023）。硫化铋（Bi2S3）是一种窄带隙半导体，具有强可见光吸收和良好的光导电性，但存在电子-空穴快速复合和表面反应性有限的问题（Demir等人，2020；Wang等人，2017）。将Bi2S3与α-Fe2O3复合已被证明可以促进有效的界面电荷转移，而Mn掺杂则引入缺陷态，有利于载流子捕获和晶格应变，从而改善光学和氧化还原性能（Dehbidi和Farbod，2025；Horoz和Sahin，2017；Senthilkumaar等人，2008）。因此，Mn掺杂Fe2O3@Bi2S3异质结构是可见光驱动染料降解的一个有前景的平台。尽管对Fe2O3基和Bi2S3基系统已有大量研究，但Mn掺杂、异质结工程和机器学习引导优化的协同整合尚未得到系统探索。
然而，仅通过传统实验来优化此类多组分光催化剂仍具有挑战性，因为光催化性能取决于合成条件、能带结构和反应参数之间的复杂相互作用。为克服这些局限，机器学习（ML）作为一种强大的数据驱动方法，被用于预测和优化光催化效率。近期研究已证明了ML算法在建模光催化系统中非线性关系方面的有效性。随后，Oviedo等人（2025）应用ANN、RF和XGBoost算法预测了纳米沸石在可见光下对罗丹明B的降解效率，训练集R2达到0.98，并确认pH值、染料浓度和催化剂负载量为最具影响力的参数。最近，Oviedo等人（2025）探索了集成学习和深度学习技术在ZnO基光催化系统中的应用，报告了R2 > 0.99的结果，并证明催化剂剂量和辐照强度强烈影响模型精度和系统性能（Oviedo等人，2024, 2024b；Oviedo等人，2025）。同样，Ali等人（2025）报道了一种混合集成学习树-粒子群优化（ELT-PSO）模型，预测了阳离子染料的降解速率常数，R2 = 0.992，优于GPR和SVM模型（Ali等人，2025）。类似地，Salahshoori等人（2024）证明了带有指数核的高斯过程回归（GPR）模型在建模可见光下NML-BiFeO3复合材料中染料降解动力学方面实现了近乎完美的相关性（R2 ≈ 1.0）（Salahshoori等人，2024）。
尽管取得了这些进展，但在单一光催化平台中整合异质结工程、受控掺杂和基于机器学习的预测建模仍然罕见。为弥补这一空白，本研究引入了一种通过一锅水热法合成的Mn掺杂Fe2O3@Bi2S3异质结构，并结合基于机器学习的建模用于可见光下RhB的降解。通过采用经人工蜂群（ABC）方法优化的CatBoost、XGBoost、梯度提升和SVM算法，本研究建立了一个稳健的实验-计算框架用于预测光催化性能。引入SHAP（Shapley加性解释）分析进一步提供了可解释性，揭示了操作特征和光催化剂相关特征对模型预测的贡献。这一综合方法不仅提高了预测精度，还推动了光催化剂开发中透明且可解释的机器学习应用——这已成为可持续环境修复领域的新兴范式。
因此，本研究建立了一个混合实验-计算框架，将Mn掺杂Fe2O3@Bi2S3异质结构设计 与可解释机器学习模型相结合，旨在推动用于染料污染废水处理的智能化、可重复光催化系统的发展。
章节摘要
化学品与材料
本研究中使用的所 有化学品均为分析纯，未经进一步纯化直接使用。硝酸铋五水合物（Bi(NO3)3·5H2O）、硫脲（CH4N2S）、六水合氯化铁（FeCl3·6H2O）、四水醋酸锰（Mn(CH3COO)2·4H2O）和乙二醇（EG），以及RhB均购自Merck公司。所有溶液配制和清洗步骤中均使用去离子水。
Bi2S3纳米结构的合成
Bi2S3纳米颗粒通过简单高效的一锅水热法合成。具体而言，
表征
图1展示了所有合成样品（S1-S8）的X射线衍射（XRD）图谱。S1的衍射峰出现在2θ = 24.1°、33.2°、35.6°、40.9°、49.5°、54.1°和62.4°处，分别归属于斜方赤铁矿（JCPDS No. 33-0664）的(012)、(104)、(110)、(113)、(024)、(116)和(214)晶面。尖锐而强烈的峰表明Fe2O3具有高结晶度和相纯度（Shivani等人，2025）。S2在2θ = 22.5°、24.9°、27.3°、31.8°处表现出特征峰，
结论
在本研究中，成功合成并评价了Mn掺杂Fe2O3@Bi2S3异质结光催化剂在可见光下对罗丹明B（RhB）的降解性能。Fe2O3@Bi2S3异质结单独即显著优于任一单一组分，证实了有效的界面电荷分离。受控的Mn掺入进一步将光学带隙调节在1.24至2.01 eV之间，并引入浅陷阱态以抑制复合，其中5% Mn复合材料（S6）实现了
CRediT作者贡献声明
Kübra K??e Kaya： 写作——审阅与编辑，写作——原稿撰写，可视化，方法论，调查研究，概念构思。Muhammed Furkan Gül： 软件，形式分析，数据管理。Halit Bak?r： 验证，形式分析。Ceren Orak： 写作——审阅与编辑，写作——原稿撰写，监督指导。Sabit Horoz： 写作——审阅与编辑，写作——原稿撰写，监督指导，资金支持。
资金支持
本研究未获得公共、商业或非营利部门资助机构的任何专项资助。实验室设施和科研基础设施由锡瓦斯科技大学提供。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
作者衷心感谢锡瓦斯科技大学化学工程系提供实验室资源和技术支持。
Kübra K??e Kaya | Muhammed Furkan Gül | Halit Bak?r | Ceren Orak | Sabit Horoz
