生物质基活性炭(Activated Carbon, AC)对刚果红(Congo Red, CR)染料的吸附:基于机器学习(Machine Learning, ML)的预测及比较评估

《ACS Omega》:Biomass-Derived Activated Carbon for Congo Red Dye Adsorption: Machine-Learning-Based Prediction and Comparative Evaluation

【字体: 大 中 小 】 时间:2026年05月21日 来源:ACS Omega 4.3

编辑推荐:

  合成染料是现代制造业不可或缺的组成部分,但其持续排放已成为水污染的重要来源。纺织、皮革、造纸、食品及制药等行业大量排放有色废水,其中许多染料具有复杂的芳香结构,难以生物降解。一旦进入水体,这些化合物会降低光透射率、抑制光合作用,并可能形成有毒或致突变中间体,对

  
合成染料是现代制造业不可或缺的组成部分,但其持续排放已成为水污染的重要来源。纺织、皮革、造纸、食品及制药等行业大量排放有色废水,其中许多染料具有复杂的芳香结构,难以生物降解。一旦进入水体,这些化合物会降低光透射率、抑制光合作用,并可能形成有毒或致突变中间体,对生态系统和人类健康构成严重威胁。刚果红(CR)作为一种广泛应用于棉织品和纸张染色的阴离子偶氮染料(Azo Dye),因其致癌性和致突变潜力,以及降解过程中产生有害芳香胺的倾向而尤为棘手。因此,从废水中高效可靠地去除CR对于负责任的水资源管理至关重要。

研究人员已探索多种物理化学和生物处理工艺用于染料处理,包括混凝-絮凝(Coagulation-Flocculation)、高级氧化(Advanced Oxidation)、膜过滤(Membrane Filtration)及生物处理等。然而,这些工艺常受限于高运行成本、不完全矿化、严格的pH或氧化还原条件要求,以及二次污泥的产生。相比之下,吸附作为一种简单、灵活且高效的替代方法,具有高去除效率、相对较低的资金投入及易于集成到现有处理系统等优势。在此背景下,生物质衍生碳质吸附剂,包括生物炭(Biochar, BC)和活性炭(AC),因其吸附行为强烈受表面形貌、孔结构、矿物组成及表面官能团等物理化学特性调控而备受关注。其中,AC凭借其高比表面积、分级孔隙结构及丰富的表面化学,仍是吸附材料的基准,可支持多种与染料分子的相互作用机制。
近年来,利用低成本、可再生生物质废料制备AC用于定向染料去除的研究日益增多,如核桃壳衍生AC用于活性蓝19和活性红195的去除、甘蔗渣基AC用于亚甲基蓝去除、榴莲籽AC用于活性染料去除,以及海枣衍生AC用于孔雀石绿(Malachite Green, MG)去除等。这些生物质基碳材料降低了生产成本,减少了对不可再生原料的依赖,并通过农业和食品加工废弃物的价值化促进了循环经济实践。
在研究人员前期工作中,利用H3PO4活化和中温碳化法,将未充分利用的火焰花(Spathodea campanulata)花朵转化为AC(记为SCAC)。所得材料表现出高比表面积(986.41 m2/g)、介孔结构及丰富的含氧官能团,这些特性共同实现了对CR的高效吸附。批式实验研究表明,吸附动力学符合拟二级反应机制,遵循Langmuir等温模型,最大吸附容量为59.27 mg/g,且吸附过程为自发的吸热机制。SCAC还表现出良好的甲醇再生性能,在多次吸附-脱附循环后仍保持显著性能,而在天然水体基质中的测试证实了其在实际条件下的适用性。
尽管此类实验研究提供了有价值的机理见解,但当多个操作变量同时作用时,这些方法不太适合进行精确预测和全过程优化。经典动力学和等温模型通常一次只处理一两个变量,且依赖于预设的函数形式,这限制了其捕捉pH、投加量、接触时间、初始染料浓度和温度之间耦合非线性相互作用的能力。然而,对于设计和放大而言,在较宽的操作窗口内可靠预测吸附容量至关重要。这促使研究人员采用数据驱动方法,即直接从实验数据集中学习复杂模式,而无需假设特定的数学结构。
多元线性回归(Multiple Linear Regression, MLR)因其简单性和可解释性,常被用作基线建模工具。它将响应变量与输入变量的线性组合相关联,可提供因素影响的初步指示。然而,MLR固有的线性特性使其难以适用于由膜扩散、颗粒内传输和多种表面相互作用控制的系统,而这些过程均具有强烈的非线性特征。相比之下,现代机器学习技术,如人工神经网络(Artificial Neural Network, ANN)、自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)和支持向量机(Support Vector Machine, SVM),专门设计用于学习非线性、高维关系,因此在吸附建模领域获得了越来越多的关注。
本研究针对染料废水处理中的关键科学问题,系统比较了四种数据驱动模型在预测生物质基活性炭吸附性能方面的适用性。研究背景源于合成染料行业造成的水体污染困局,特别是刚果红等具有致癌性的偶氮染料对生态系统和人类健康的威胁。现有物理化学处理方法存在成本高、产生二次污染等局限,而生物质衍生活性炭虽具优势,但其吸附过程受多因素耦合影响,传统实验方法难以实现精准预测。为此,研究人员利用180组批式实验数据,构建了基于支持向量机、自适应神经模糊推理系统、人工神经网络和多元线性回归的预测模型体系。

研究采用的技术方法核心包括:以火焰花衍生活性炭(SCAC)为吸附材料,选取溶液pH、吸附剂投加量、初始CR浓度、接触时间和温度作为输入变量,以平衡吸附容量Qe为输出变量;MLR和SVM采用5折交叉验证(5-fold Cross-Validation)策略,ANN和ANFIS则按70%-15%-15%比例划分为训练、验证(检验)和测试子集;ANFIS模型采用Sugeno型推理结构,通过遍历2-5个隶属函数及多种函数类型优化网络拓扑;ANN采用Levenberg-Marquardt反向传播算法,以双曲正切sigmoid和线性传递函数构建单隐层前馈网络;SVM则考察了线性和、多项式及高斯径向基等多种核函数配置。此外,研究还基于优化后的ANFIS模型开展了全局灵敏度分析,通过单因素扰动法量化各操作参数的相对贡献。

研究结果部分涵盖以下方面:

Pearson相关性分析:通过相关性热图揭示各变量与Qe的线性关联程度。结果显示接触时间与Qe的相关系数最高(0.76),初始浓度次之(0.58),温度呈中等正相关(0.31),而pH(0.21)和投加量(-0.09)关联较弱。各输入变量间相关系数均低于0.8,排除严重多重共线性,适宜后续多元建模。

MLR建模:交互作用型MLR表现最优(R2 = 0.8667),但高吸附容量区域出现偏离,表明线性结构难以捕捉膜扩散、颗粒内传输等非线性机制,MLR仅适用于低至中等吸附范围的近似预测。

ANN架构优化:经隐层神经元数优化,10个神经元时模型达到最佳平衡(5-10-1结构),训练、验证、测试相关系数分别达0.98734、0.99329和0.97348。超过10个神经元后出现过拟合,性能下降。

ANFIS配置优化:3-3-3-3-3结构搭配三角形隶属函数(trimf)时综合性能最佳,训练、检验、测试RMSE分别为0.0573、0.0576和0.1585,R2达0.9722。增加隶属函数数量仅改善训练拟合,未提升泛化能力,体现典型的偏差-方差权衡。

SVM建模:中等宽度高斯核函数表现最优(R2 = 0.9597),优于多项式和线性核,能有效捕捉变量间的非线性依赖关系。

灵敏度分析与模型比较:ANFIS全局灵敏度分析确定各因素影响排序为接触时间 > 初始浓度 > pH > 温度 > 投加量。 violin图和统计指标综合表明模型性能排序为ANFIS > ANN > SVM > MLR,其中ANFIS以最高R2(0.9722)和最低误差指标位居首位。

研究结论部分指出:研究人员比较了MLR、ANFIS、ANN和SVM四种模型对SCAC去除CR染料吸附行为的预测性能,基于180组批式实验数据验证了非线性方法优于线性模型的结论。ANFIS模型准确性最高,ANN和SVM紧随其后,MLR预测能力有限。灵敏度分析明确接触时间和初始浓度为关键控制因素,为工艺优化和放大提供依据。未来研究应拓展多染料/多吸附剂数据集,耦合机器学习与优化算法,将预测扩展至固定床系统,并整合物理化学描述符以提升可解释性和工程应用价值。论文发表在《ACS Omega》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号