《Desalination》：Machine learning for uranium separation prediction in smart capacitive deionization: A feasibility review
编辑推荐：
邵卓瑞|吴晓燕|曹曼璐|李晓云|程昭文|田琼|魏顿|张晓文|华一龙|方琪|彭颖|耿成志|赵倩|田梦歌|李沫中国南方大学资源与环境安全工程学院，衡阳，421001，中国摘要电容去离子化（CDI）在高效处理含铀废水（UCW）和战略性铀回收方面具有巨大潜力。然而，CDI的发展目前受到传
邵卓瑞|吴晓燕|曹曼璐|李晓云|程昭文|田琼|魏顿|张晓文|华一龙|方琪|彭颖|耿成志|赵倩|田梦歌|李沫
中国南方大学资源与环境安全工程学院，衡阳，421001，中国
摘要
电容去离子化（CDI）在高效处理含铀废水（UCW）和战略性铀回收方面具有巨大潜力。然而，CDI的发展目前受到传统经验研究方法的限制。机器学习（ML）以其出色的能力解码多方面系统中的复杂性，正在为CDI技术开启一个全新的数据驱动时代。本综述建立了一个全面的“智能CDI”框架，详细分析了从材料合成到系统级操作整个CDI生命周期中ML的深度融合。讨论的核心是ML驱动的协同机制如何促进电极的目标设计以及工艺参数的自主优化。此外，本文还探讨了数据稀缺、模型泛化性和可解释性等固有问题。最后提出了一个基于人工智能（AI）的铀分离战略路线图，为下一代智能水处理技术提供了严格的理论框架。
引言
含铀废水（UCW）对环境构成的威胁日益严重，这是铀矿开采和核燃料循环等活动的副产品，因此需要开发高效且可持续的水处理技术[1]。电容去离子化（CDI）是一种新兴的电化学分离技术，在处理UCW方面展现出显著潜力。CDI在低电压直流电场下运行，利用多孔电极促进带电物种（如铀酰离子）在水溶液中的定向迁移，这些离子随后被吸附到电极-溶液界面处的双电层中。这一过程实现了铀的有效分离和浓缩回收[2]。尽管CDI在资源回收和废水净化方面具有显著优势，但目前超过95%的研究仍依赖于传统的试错方法。在关键科学领域（包括电极材料的铀吸附能力和选择性、CDI系统的长期运行稳定性以及复杂水体系中共存离子之间的竞争性吸附机制）尚未取得根本性进展。鉴于数据处理能力的迅速提升和对水处理效率日益严格的要求，迫切需要一种新的研究范式来推动CDI技术在UCW处理方面的技术进步和系统优化。
这种方法的变革潜力源于机器学习（ML）引发的方法论革命，ML是人工智能的一个基础分支。ML能够从大量数据中自主发现潜在模式，并识别多变量、强耦合和非线性系统中的复杂关系。这些能力解决了CDI技术在处理水质高度变化的UCW时遇到的核心挑战。ML已经在各种环境领域展示了其强大的数据驱动能力，例如智能控制废水处理和大气污染物的来源追踪[3]。将ML集成到UCW处理的CDI研究中，正在推动该领域从“经验依赖”向“数据驱动”的重大转变，从而提供了一种创新的方法论框架，以实现高度选择性的铀分离和资源导向的回收。
CDI与ML的结合催生了一个名为“智能CDI”的新跨学科领域。这种整合在三个基本维度上产生了变革性影响。首先，在电极材料优化方面，ML可以利用“材料基因”（如比表面积、功能团和孔结构）以及吸附性能数据，开发将材料特性与铀吸附能力和选择性联系起来的映射模型。这种方法有助于合理设计功能化碳电极及相关材料[4]。其次，在系统工艺参数调节方面，ML可以综合电压、流速和离子组成等多维变量，创建用于系统性能指标（如铀去除效率、能耗和回收纯度）的动态替代模型。通过优化算法，可以反推出最佳工艺条件[5]。在系统性能预测方面，ML模型不仅能够准确估计关键指标（如吸附能力），还能通过可解释性技术揭示影响铀分离的主要机制。这种方法提供了超越传统“黑箱”方法的透明洞察，并有助于优化决策[6]。
虽然CDI和ML在其 respective 领域都已达到相当成熟水平，但它们在UCW处理领域的综合集成仍处于早期阶段。目前，这一跨学科领域缺乏系统组织和战略前瞻性，这限制了其在解决CDI铀分离过程中涉及的材料、工艺和系统复杂性挑战方面的能力。为弥补这一差距，本综述旨在系统总结ML支持的CDI在铀分离方面的研究进展和发展轨迹。文章将基于CDI技术的基础机制，阐述当前在电极制备、过程控制和性能预测等领域的研究现状，并阐明ML的基本方法和模型算法。本文将重点研究CDI与ML整合的协同效益、最新研究进展及当前面临的挑战，并提出CDI在铀分离方面的未来发展轨迹。通过建立一个“智能CDI”的技术框架，并阐明数据驱动方法与电化学过程整合的内在逻辑，本文旨在为UCW处理和铀资源回收技术的创新提供理论支持和前瞻性见解。
部分摘录
在铀矿开采过程中会产生多种含铀废水。这些废水来源于多种来源，包括废弃钻井液、离子交换过程的尾矿、井清洗产生的排水、残余矿浸出液、产品冲洗废水以及提取程序产生的废液[7]、[8]。此外，在核燃料制造和精炼、反应堆运行和维护过程中也会排放类似的含铀废水
CDI是一种基于双电层理论的新兴电化学水处理技术。该过程无需添加化学试剂，通常在室温下以低施加电压（一般低于1.4 V）运行。其基本原理依赖于双电层吸附。CDI工作原理的示意图见图1。CDI过程主要包括两个连续阶段：吸附和
人工智能的概念于1956年提出。此后，随着全球数据量的指数级增长，AI迅速发展成为跨多个学科的关键技术，并被视为科学研究的第四范式[81]。作为AI的核心分支，ML旨在构建能够通过数据自主改进性能的计算模型。本质上，ML使系统能够从经验中学习——通常以数据的形式——并
ML已从探索性前沿发展为优化性能、理解机制和加速CDI领域研究和开发的核心工具。现有研究表明，ML已成功应用于CDI的多个方面。这些案例并非孤立的成功案例，而是共同展示了其在解决该领域常见科学挑战方面的普遍潜力。具体来说，ML在
ML和CDI在铀分离方面表现出强烈的协同效应。CDI中的铀吸附是一个多变量、非线性且强耦合的系统，其复杂性难以用传统机理模型捕捉。相比之下，ML能够有效揭示“材料-过程-性能”之间的复杂关联，并处理电极属性和操作参数等多维因素之间的相互作用。面对铀分离过程中的动态变化，
本综述系统地阐述了含铀废水的来源、特征和危害，评估了传统的铀分离技术，并强调了CDI在铀分离方面的优势和发展进展。CDI技术以其低能耗、操作简便性、出色的再生能力和高离子选择性，在放射性废水处理方面展现出巨大潜力。近年来，研究人员已经
邵卓瑞：撰写——初稿、可视化、概念化。吴晓燕：撰写——审稿与编辑、可视化、监督、概念化。曹曼璐：调查。李晓云：撰写——审稿与编辑。程昭文：撰写——审稿与编辑。田琼：撰写——审稿与编辑。魏顿：撰写——审稿与编辑。张晓文：撰写——审稿与编辑。华一龙：撰写——审稿与编辑。方琪：撰写——审稿与编辑。彭颖：撰写——审稿与
作者声明他们没有任何已知的竞争性财务利益或可能影响本文所述工作的个人关系。
本研究得到了国家自然科学基金（编号：52374173）的财政支持。
