基于密度泛函理论（DFT）辅助的机器学习方法在Fe-C催化剂全局优化中的应用：过硫酸盐活化技术及新兴污染物的定向去除 作者：长春燕（Changchun Yan）、徐志强（Zhiqiang Xu）、薛定明（Dingming Xue）、王家庆（Jiaqing Wang）、林晓晨（Xiaochen Lin）、周浩（Hao Zhou）、马冰（Bing Ma）和张后虎（Houhu Zhang）

《Catalysts》：DFT-Assisted Machine Learning for Global Optimization of Fe–Carbon Catalyst: Persulfate Activation and Targeted Removal of Emerging Contaminants Changchun Yan, Zhiqiang Xu, Dingming Xue, Jiaqing Wang, Xiaochen Lin, Hao Zhou, Bing Ma and Houhu Zhang

　　摘要 铁-碳催化剂（FCCs）被广泛用于高级氧化过程（PS-AOPs）中的过硫酸盐活化，这种方法被认为是去除新兴污染物（ECs）的一种高效且经济有效的策略。然而，具有不同分子特性的ECs的降解效率与FCCs的微观结构之间的定量结构-活性关系尚未得到明确阐明。这阻碍了FCCs的广泛应用。本文采用了基于密度泛函理论（DFT）的分子描述符辅助机器学习模型，准确预测了FCC-PS AOPs中ECs降解的反应速率常数，主要关注三个方面：性能预测、操作条件优化和机制解释。此外，将DFT衍生的描述符与制备和操作参数相结合，以促进FCCs的生成设计。整体XGB模型在预测ECs降解反应常数方面的出色拟合性能（测试R2 = 0.813）突显了定制超参数调整在提高预测准确性方面的显著优势。随后，使用不同的EC簇（通过t-SNE和K-means聚类方法获得）训练的子模型可以为针对具有不同性质的ECs的FCC-PS AOPs选择最佳参数提供具体策略。通过使用SHAP值和偏依赖图来提高模型的可解释性，以阐明ML“黑箱”内部的关联。总体而言，提出了一个可行且可泛化的ML模型，以促进针对特定ECs的FCCs逆向设计的范式转变。

1. 引言
新兴污染物（ECs）来源于自然或合成途径，并通过多种途径进入环境，对人类和野生动物的内分泌系统构成严重威胁。ECs分为几类，包括药品、个人护理产品、工业化学品和农药，它们在环境中的稳定性和氧化还原性质各不相同，给处理带来了重大挑战。迄今为止，已经使用了多种方法来处理ECs，如吸附[1,2]、膜分离[3,4]、生物修复[5,6]和高级氧化过程（AOPs）[7,8]。其中，AOPs因其降解ECs的巨大潜力而受到广泛关注，特别是基于过硫酸盐（PS）的AOPs（PS-AOPs）[9]。值得注意的是，PS-AOPs去除ECs的降解效率受到分子结构的强烈影响。基本母结构不仅决定了污染物与活性氧物种（ROS）之间的有效反应时间，还通过调节二级反应速率常数来重塑ROS在降解途径中的相对贡献，从而共同影响表观降解速率[10]。鉴于ECs的多样性，迫切需要建立清晰合理的PS活化策略，以精确控制降解效率，从而实现多种ECs的高效快速降解。PS-AOPs（过一硫酸盐（PMS）和过二硫酸盐（PDS）主要通过引入额外的能量源（例如热、紫外线和超声波）和外源催化剂（包括均相催化剂如Fe2+、Cu2+和Co2+以及非均相催化剂如金属氧化物和碳基材料）来活化PS并生成ROS以降解ECs[11,12]。其中，特别是碳基催化系统在去除ECs方面表现出出色的效率，并因其高比表面积、酸碱适应性、低成本和环保性而被认为具有进一步发展的巨大潜力[13]。最近，用于PS活化的铁-碳催化剂（FCCs）在催化剂设计、机制洞察和实际应用方面取得了显著进展。例如，Xi等人制备了一种铁和氮共掺杂的生物炭材料（Fe@N共掺杂生物炭），并在优化条件下将其用于诺氟沙星降解，20分钟内实现了95%的降解率[14]。另一项研究报告称，FeNC-CA催化剂通过PMS活化促进了4-氯苯的快速降解，18分钟内实现了接近100%的去除率和66.8%的矿化率[15]。然而，FCC/PS系统对ECs的去除效率受到其物理化学性质和取代基的强烈影响。Chen等人报告称，FeNC-CA-500/PMS系统对硝基苯（一种硝基取代芳香族化合物）的去除率仅为18.8%，远低于对含有羟基的芳香族化合物的去除率[15]。在D-FeN4-C/PMS系统中，能够有效去除电子给体化合物，而难以消除带有电子吸引基团的污染物[16]。值得注意的是，由于FCC制备过程与ECs降解性能之间的复杂非线性关系，针对不同类型ECs定制FCCs仍然是一个多维挑战。因此，建立具有不同分子特性的ECs的降解效率与FCCs微观结构之间的定量结构-活性关系对于合理设计FCCs和有针对性地去除特定ECs至关重要。

随着计算的进步，机器学习（ML）已成为优化催化材料的强大工具。它可以揭示数据集中的复杂关系和模式，现在被广泛应用于PS-AOP研究领域，包括生物炭-PS AOPs、无金属碳-PS AOPs和UV-PS AOPs[17,18,19]。尽管Zhang等人构建了一个ML模型来预测FCC/PMS系统中ECs的降解效率，但如何系统地阐明污染物性质如何影响这一效率仍缺乏研究[20]。这可能是因为难以确保使用的分子描述符充分捕捉到关于ECs的全面信息，而这些信息在很大程度上决定了ML模型的预测准确性。分子描述符是化学化合物的数学表示，可以从密度泛函理论（DFT）中得出，以提供更详细的洞察。将这些洞察与机器学习相结合，可以快速准确地优化材料设计，显著缩短开发周期并降低研究成本[21]。例如，Liu等人使用基于DFT的分子描述符辅助ML模型制备了具有高回收效率的纺织废水处理膜[22]。因此，构建这样的模型有望促进针对特定ECs的FCC设计和反应优化。然而，对其在FCC制备中的应用仍需进一步研究。

鉴于这些挑战，从已发表的文献中创建了一个包含EC特性、反应条件和与反应速率常数（k）相关的FCC特性的综合数据集，以挖掘和绘制污染物降解图谱。随后，使用ML模型有效地将EC特性、反应条件和FCC特性与k相关联，从而能够精确预测多种ECs的k值。此外，还应用了K-means聚类和t分布随机邻居嵌入（t-SNE）方法以及可解释的ML工具，以指导FCCs的合理设计，以实现高效的PS活化和有针对性的ECs去除。这项工作系统地整合了DFT和ML方法，为优化整个FCC-PS AOPs过程以去除各种ECs建立了新的范式，从而促进了针对EC威胁的更广泛应用。

2. 材料与方法
2.1. 数据收集与预处理
图1展示了详细模型构建过程的工作流程。数据收集方面，在Web of Science和Google Scholar中使用了碳、Fe、降解和PS等关键词进行了全面的文献回顾。共选择了2018年至2025年间发表的48项相关研究并进行了分析，详细信息见表S1。在系统文献回顾和数据收集之后，收集了三类数据集中的25个可能影响反应速率常数（k）的输入特征。这些特征包括热解温度（T）、铁-碳催化剂特性（总孔体积（TPV）、表面积（SSA）和Id/Ig）、化学组成（Fe、C、N、O、吡啶氮（Pyd-N）、吡咯氮（Pyr-N）、石墨氮（Gph-N）、Fe-Nx）、原子比（N/C和O/C）、反应条件（温度（Tr）、pH值、PS浓度和催化剂浓度（Ccatl）以及污染物指纹（最高占据分子轨道（HOMO）、最低未占据分子轨道（LUMO）、HOMO和LUMO的能隙（ΔG）、垂直电离势（VIP）和分子量（MW）。此外，为了减轻目标变量的分布偏斜，所有k值都进行了对数转换（lg k）。输入特征的详细信息总结并列在表S2中。

2.2. 模型构建与评估
在预处理后，使用70%的数据集作为训练集来构建模型，剩余的30%作为测试数据来评估ML模型的性能[17,27]。在训练过程中，采用了k折交叉验证（分层k折CV）方法和网格搜索来调整超参数，并评估由于数据集规模有限而可能导致的过拟合风险，从而提高模型的性能和泛化能力。分别训练了六种ML模型，包括k最近邻（KNN）、随机森林回归（RF）、极端梯度提升（XGB）、轻量级梯度提升机（LGBM）、分类提升（CAB）和多层感知器（MLP），并在超参数调整后进行了训练。每种模型的详细描述见文本S1。为了评估模型的预测性能，分别使用方程（2）和方程（3）计算了决定系数（R2）和均方根误差（RMSE）[28,29]。

在这些方程中， 和 分别代表预测值和实际值。 代表输出变量的平均值， 代表数据点的总数。

为了系统地阐明污染物性质、反应条件和FCC特性之间的关系，并实现以污染物为导向的FCC-PS AOPs，本研究采用了分层ML分析[30]。首先，在第一层使用EC-AOP数据集开发了一个总体模型来准确预测lg k。然而，由于ECs包含具有不同性质的多种有机污染物，单独阐明它们之间的内在关系较为困难。为此，应用了t-SNE和K-means聚类方法来识别ECs的潜在分组[31,32]。之后，针对每个EC类别进行了单独的建模和解释分析，以优化策略。具体来说，根据它们的性质对ECs进行了聚类，并使用轮廓系数确定了簇的数量。然后根据这些分类将EC-AOP数据集划分为K（簇的数量）个子数据集。随后为每个子数据集训练回归模型，以揭示每个EC类别特有的降解模式。

2.3.模型可解释性方法
为了评估任意两个变量之间的向量相似性，使用了皮尔逊相关系数（PCC）分析，计算公式如下（4）：
(4)
其中PCC值反映了两个变量之间关系的强度，而和分别是输入变量和输出变量的均值[33]。
为了评估输入特征对特定输出变量的影响，采用了SHAPley Additive exPlanations（SHAP）方法进行了特征重要性分析。SHAP值用于量化每个特征对模型输出的贡献，从而阐明预测因子之间的相互依赖性以及各个变量在驱动最终预测中的相对重要性。此外，还对优化后的模型进行了偏相关分析，通过一维和二维偏依赖图（包括交互作用）来展示。这种方法系统地表示了输入变量和输出变量之间的关系，同时控制了其他特征的影响，从而能够评估单个特征对预测的影响。所有建模和可视化工作都是使用Python（版本3.8）实现的，利用了Scikit-learn、Matplotlib和Seaborn库。

2.4 实验验证
所用化学品的详细描述、催化剂合成与表征以及污染物检测方法见支持信息的文本S2和S3。

3. 结果与讨论
3.1 模型性能评估
矩阵图显示了PCC分析的结果以及变量之间的显著性差异：系数的大小反映了两个参数之间的影响程度，星号表示差异的显著性（p < 0.01）。没有变量与目标lg k表现出高线性关系，这表明需要构建一个综合模型（图3）。鉴于输入特征和目标变量之间的复杂依赖性，构建了六个不同复杂度的机器学习模型（KNN、RF、XGB、CAB、LGBM和MLP）来预测FCC-PS AOPs中的后端lg k值。通过5折交叉验证在训练过程中确定了每个模型的最佳超参数，以提高模型的鲁棒性并防止过拟合。优化后的超参数总结见表S4，相应的预测性能指标列在表S5中，并在图4中进行了可视化。较高的测试R2值结合较低的RMSE表明模型的预测性能更优[28]。XGB模型的测试R2值为0.813（高于其他模型），相应的RMSE为0.441（低于其他模型）。这种优异的准确性验证了XGB模型作为后续探索性数据分析中分析数据集的最佳候选者。

图3. 主数据集中任意两个变量之间的皮尔逊相关矩阵。星号和红色字体表示p < 0.05。
图4. 基于FCC特性、EC性质和反应条件作为输入特征的（a）KNN、（b）RF、（c）XGB、（d）LGBM、（e）CAB和（f）MLP模型的预测性能。

为了方便科学家和从业者使用，使用名为Tkinter的Python库构建了一个基于Web的图形用户界面（GUI），如图S1所示。为了确认构建的模型能够无缝连接ECs与FCC设计和反应优化，进一步用四个未见数据点验证了GUI，这些数据点包括三种不同降解难度的ECs。如图S2所示，预测值与实际值之间的偏差低于17%。这表明GUI可以准确预测不同ECs的k值。因此，GUI可以减少相关研究的时间和成本，并快速获得面向污染物的最佳反应条件以及FCC性质，以优化实际FCC-PS AOPs的操作。

3.2 面向污染物的分层模型框架
尽管构建的模型能够以令人满意的准确性预测k值，但其黑盒性质阻碍了有效信息的提取。因此，无法阐明污染物性质与FCCs微观结构之间的关联，从而阻碍了针对ECs去除的催化剂的目标设计。为此，采用了面向污染物的分层分析方法。该方法旨在解密训练模型中的不透明决策过程，从而提取出催化剂优化所需的见解。图S3展示了每个输入特征对k值的整体重要性，其中显示了每个特征的绝对SHAP值。较高的SHAP值表示相应输入特征对模型预测结果的更大影响。根据SHAP值排名，前五个特征按重要性降序排列为C、VIP、N/C、Fe-Nx、Tr和SSA。观察到大多数特征与FCC性质相关，表明催化剂的表面特性可能内在地控制了它们在PS中与超氧自由基的相互作用。这进一步影响了ECs通过自由基或非自由基途径的降解，最终影响整体降解效率[18]。值得注意的是，VIP作为评估分子稳定性的标准指标，也被确定为k值的重要预测因子。此外，排除ECs的关键分子性质（例如HOMO、LUMO、VIP、△G和MW）后，模型的预测准确性显著下降（图S4）。具体来说，测试集的R2值从0.813显著降至0.686，突显了这些分子描述符在维持模型预测性能中的不可或缺的作用。先前的研究也证实，污染物性质是预测过硫酸盐和芬顿氧化过程中ECs降解k值的重要量子参数[34,35]。鉴于ECs在化学类别和性质上的多样性，仅依赖整体特征重要性来阐明ECs性质、反应条件以及它们对k值的影响是困难的。因此，进一步关注污染物特征的研究是必要的，因为这对于准确解释模型预测和揭示材料性质如何影响不同类型ECs的k值至关重要。

为了解决上述问题，采用了t-SNE和K-means聚类将27种常见ECs分类为不同的类别。随后对每个类别进行了建模和解释性分析，建立了面向污染物特征的次级系统。具体来说，使用t-SNE减少了污染物特征的维度，并通过K-means聚类将ECs分为两类，结果如图5a所示。有关子模型Model I和Model II中的化学名称和分子结构的更详细信息，请参见表S6。根据不同的电子和结构特性，ECs被分为两组进行建模。Model I包括HOMO、LUMO、VIP和△G值较低但MW较高的ECs。相反，Model II的定义是HOMO、LUMO、VIP和△G值较高，同时MW较低（图5b）。HOMO能量反映了ECs的电子捐赠能力，较高的值表示更强的电子捐赠能力，较低的LUMO能量表示更好的电子接受能力[34,35,36]。△G和VIP参数描述了分子稳定性，较高的值表示更大的稳定性和抗氧化性，较低的值表示更高的反应性和降解倾向[30]。此外，较大的MW可能表明存在更复杂的化学结构和多个官能团，从而提供更多的反应位点，使ECs更容易降解。

图5. 污染物分子的t-SNE和K聚类（a）；带有EC性质的箱形图（b）；基于（c）Model I数据集（c）和Model II数据集（d）的XGB模型预测lg k的性能。

因此，Model I中的大多数ECs具有相对容易降解的特性、较高的分子量和易受亲核攻击的倾向，而Model II中的ECs则表现出更强的抗降解性、较低的分子量和较高的亲电攻击倾向。它们都使用了基本的XGB算法进行拟合，并为进一步深入分析训练了两个子模型。关于Model I和Model II的数据集的详细信息在表S7中明确给出。如图5c,d所示，两个模型的测试集R2值均超过了0.81，Model I和Model II的训练集R2值达到了0.99，表明它们在预测k值方面表现良好。模型超参数和模型稳定性评估分别列在表S8和S9中。简而言之，这些子模型及其优化的超参数是实现全面理解和模拟各种ECs降解动力学最有效的算法，从而促进了FCCs的合理设计和特定ECs的针对性去除。

3.3 不同模型中特定特征的关键作用
广泛使用的可解释机器学习技术SHAP被用来量化关键特征对速率常数的影响。在这个框架中，较大的绝对SHAP值表示特征对模型预测的更强影响。对于Model I，影响k值预测的因素按其贡献排序如下：FCC特性（66.8%）> 实验条件（18.0%）> EC性质（15.2%）。如图6a所示，Fe含量是最重要的预测因子，平均绝对SHAP值为0.37，其次是C含量为0.30。较高的Fe含量值与负SHAP值相关，而较低的值表示正面贡献，表明Fe含量与k值之间存在负相关（图6b）。PDP分析显示输出变量有收敛趋势，表明Fe含量和k值之间存在低于0.54%的正相关。相反，在0.54%到5.6%的范围内观察到负相关。此后，当Fe含量超过5.6%时，k值稳定在一个最低水平（图6c）。图6d显示，在C含量范围56.07–74.08%内，k值呈现上升趋势，随后随着C含量的进一步增加而逐渐趋于平稳，表明存在非线性影响。通过2D PDP分析确定了实现最大k值的最佳Fe和C含量[37]，这可以为实际水环境的反应条件筛选提供指导（图6e）。值得注意的是，当碳含量在大约74%或以上时，随着Fe含量的增加，降解常数k明显降低。这一观察可以归因于适量Fe在碳载体上的良好分散性，有利于形成丰富的活性位点。相反，过量的Fe在合成过程中倾向于聚集，形成较大的Fe颗粒。这些较大的颗粒不仅会阻塞碳载体的孔结构，阻碍反应物和产物的质量传递，还可能覆盖碳材料或Fe-碳界面上的内在活性位点，最终降低总有效反应面积并减少降解动力学[38]。

图6. 基于SHAP值的Model I的特征重要性k预测以及贡献于Model I的经验类别比例的饼图表示（a）；综合SHAP总结值（b）；Fe含量（c）和C含量（d）的PDP图；Fe含量和C含量的2D PDP图（e）。（注：所有k值均转换为lg k。）

Model II的特征重要性分析表明，Ccatl、N、CPMS和Fe是四个最重要的特征。与Model I相比，与反应条件相关的特征的重要性显著增加，占总贡献的31.6%（图7a）。此外，催化剂和PMS剂量的较高值与正SHAP值相关，证实了它们对预测k值的正面影响（图7b）。图S5a,b中的PDP分析表明，随着FCCs和PMS剂量的增加，k值持续上升，证实了它们在Model II中降解ECs中的关键作用。Ccatl和CPMS的2D PDP图直观地展示了FCC剂量、PMS浓度和k值之间的复杂关系（图S5c）。增加PMS浓度和催化剂剂量可以提高降解效率，尽管成本较高。此外，在催化剂用量固定的情况下，由于活性位点的饱和，降解效率在超过一定浓度的PMS后提升有限[39]。值得注意的是，FCC特性的影响更为显著，占总贡献的48.2%。具体来说，在这些特性中，FCC的氮（N）含量是预测降解常数k的最重要因素，其次是铁（Fe）含量。氮含量的变化趋势如图7c所示，曲线在氮含量超过某个值（>6.89%）后呈现出先增加后趋于平稳的趋势。这证实了氮掺杂可以有效促进降解常数的提高。研究发现，氮对sp2碳骨架的修饰可以改变其局部电荷分布，从而促进铁物种的氧化还原循环，提高整体活化效果[40]。与Pyr-N不同，Pyd-N的含量与k值呈正相关，表明它可能是氮物种中的主要活性位点。因此，氮含量增加对污染物降解的促进作用可能源于其能够提高Pyd-N的含量，进而驱动过硫酸盐的活化，生成更多活性物种，最终加速降解动力学[41,42]。然而，过量的氮掺杂可能会破坏催化剂内的电荷平衡，影响电荷重新分布，从而降低PMS的活化效果[43,44,45]。因此，尽管氮含量增加，降解速率的提高仍然有限。与模型I一致，铁含量的增加也被发现会抑制ECs的去除[图7d]。如图7e所示，当铁含量在0.12%到0.966%之间变化时，随着氮含量的增加（从4.48%开始），ECs的降解常数显著提高。这一发现为这类材料的设计提供了重要见解。图7. 基于ML的特征重要性k预测，来自模型II的SHAP值以及饼图显示的对模型I有贡献的经验类别比例（a）；综合SHAP总结值（b）；氮含量的PDP图（c）；催化剂浓度和PMS浓度的2D PDP图（d）；氮含量和N/C的2D PDP图（e）。（注：所有k值均转换为lg k。）对于模型I中关注的污染物，优化工作应集中在调节FCC的铁和碳含量上。相比之下，对于模型II中的污染物，可以通过共同优化FCC和PMS的用量以及FCC的氮含量来提高降解常数。这种针对污染物的优化策略可以作为实际应用中FCC初步设计的指导。然而，也必须考虑实际情况，并使用GUI进行更详细的预测分析以验证结果。总之，这种方法促进了机器学习模型开发与应用在目标EC降解和材料设计中的无缝集成。

3.4. 基于机器学习的FCC设计用于EC去除
为了验证构建的ML工具，选择了两种代表性的EC作为目标：模型I中的亚甲蓝（MB）和模型II中的对硝基苯酚（p-NP）。如图8a所示，使用低氮掺杂的FCC-1通过PMS活化评估了MB和p-NP的降解效率。制备参数主要基于模型I的预测结果，重点调节铁和碳的含量。结果表明，在常规条件下，MB在该系统中得到了有效降解，而p-NP在FCC-1介导的氧化过程中的降解效率较低。为了提高模型II中用于处理抗生素的FCC材料的催化性能，根据模型II的预测结果进行了后续实验，增加了氮的掺杂水平。具体来说，FCC-2的氮含量从2.36%提高到8.78%，以系统研究氮掺杂在催化系统中的作用（表S10）。XRD分析显示，两种材料在约26.7°处都显示出宽的衍射峰，对应于石墨碳的（002）面，证实形成了部分石墨化结构（图8b）。在FCC-2的情况下，观察到的衍射峰主要来自结晶态的Fe3O4、Fe3C和Fe2C物种。p-NP的去除效率从40.5%提高到85.2%，相应的降解常数k从0.0155 min?1提高到0.0693 min?1，表明氮掺杂的作用显著（图S9）。XPS分析显示，Fe(II)的相对含量从84.29%降低到52.42%，表明在PMS活化过程中铁物种被消耗以生成活性氧物种（图8c）。同时，Pyd-N（397.9 eV）的含量从62.63%降低到57.77%，Fe-Nx（399.8 eV）的含量从19.36%降低到16.14%。相比之下，Pyr-N（400.3 eV）和Oxi-N（402.6 eV）的含量分别从13.59%增加到17.82%和从4.42%增加到8.28%[46]（图8d）。Chen等人报告称，由于自由基对Pyd-N和Gph-N的攻击，氮掺杂剂可能会发生重构，导致Pyd-N或Gph-N转变为更稳定的Pyr-N[47]。这些结果表明，Pyd-N和Fe-Nx作为活性物种参与了PMS的活化，其中Pyd-N的作用尤为突出。这一观察结果与预测结果一致。Pyd-N中的孤对电子使得sp2杂化碳上的π电子能够转移，激活PMS，生成•OH和SO4•?，从而提高p-NP的去除效率[48]。

图8. FCC-1和FCC-2对MB和p-NP的降解性能。条件：催化剂=0.2 g/L，PMS=0.5 mM，MB=10 mg/L，p-NP=10 mg/L，Tr=25 °C，pH=6.8（a）。FCC-1和FCC-2的XRD光谱（b）。FCC-2在催化反应前后的Fe 2p（c）和N 1s（d）能级。FCC-1（e）和FCC-2（f）的力图。此外，开发的模型II被用来预测两种不同FCC中p-NP的降解常数k。如图S10所示，FCC-1-PMS系统的预测k值略低于实验确定的值，而FCC-2-PMS系统的预测k值略高。模型的整体预测误差保持在12%以下。使用力图可视化了单个特征对给定样本预测输出的贡献。在这些图中，正贡献和负贡献分别用红色和蓝色条形表示。对于FCC-1，大多数与氮相关的参数（例如总氮含量、Pyr-N含量和N/C）与预测的k值呈负相关，表明氮掺杂可能有效提高模型II的预测准确性（图8e）。对于进一步优化的FCC-2，k值的显著增加与总氮含量的提高相关。FCC-2中氮含量的大幅增加产生了大量的Prd-N，从而加速了p-NP的降解速率（图8f）。值得注意的是，由于共存物质的干扰，天然地表水实验中的降解效率显著降低，但降解趋势与纯水中的趋势一致，证实了模型在实际应用中的良好稳定性（图S11）。

4. 结论
总之，提出了基于DFT衍生的分子描述符辅助的机器学习模型，用于指导EC降解的FCC设计，整合了属于三个类别的输入特征：EC性质、FCC特性和反应条件。开发了一个精确且稳健的XGB模型，以揭示数据集中的非线性关系，并在GUI的帮助下准确预测FCC材料的性能。通过整体模型的特征重要性工具，我们随后发现EC性质对降解常数k有显著影响。因此，针对EC的分子指纹，基于t-SNE和K-means聚类方法进行了层次分析，将EC分类为模型I和模型II，以促进FCC的合理设计。通过SHAP分析，识别了输入特征的局部和全局贡献，并强调了影响不同类型EC降解的关键制造因素。最后，通过实际实验，层次化ML分析在指导FCC的合理设计以高效活化PS和有针对性地去除EC方面非常有效。虽然机器学习无法完全复制实验程序的复杂性，但本研究引入的框架为开发可扩展、可解释且高度准确的平台提供了技术基础，用于优化水处理过程。此外，本研究开发的协同系统将显著缩短铁-碳催化剂的开发周期，并有效减少研究和开发过程中的材料和能源消耗。这一策略不仅为在水处理中应用绿色化学原理提供了可量化的途径，还直接支持低碳使用和低资源消耗的可持续发展目标，为环境修复技术的智能和绿色转型奠定了坚实的基础。

补充材料
以下支持信息可在以下链接下载：https://www.mdpi.com/article/10.3390/catal16050444/s1