综述:不同修复技术去除受污染水中的全氟和多氟烷基物质(PFAS)的建模与分析简述:基于机器学习方法的应用

《Current Opinion in Environmental Science & Health》:A mini-review of modeling and analyzing per- and polyfluoroalkyl substances (PFAS) removal from contaminated water by different remediation technologies: The application of machine learning-based approaches

【字体: 大 中 小 】 时间:2026年07月29日 来源:Current Opinion in Environmental Science & Health 6.6

编辑推荐:

  摘要全氟和多氟烷基物质(PFAS)在各类工业中的应用导致其进入环境,可能造成水和土壤污染,引发人们对其对人体健康影响的担忧。因此,为保护人类和公共健康,有必要从水/废水中去除PFAS。通常,由于多种变量之间的复杂相互作用,优化水/废水处理工艺颇具挑战性,需要借助先进的计算方法来确

  

摘要

全氟和多氟烷基物质(PFAS)在各类工业中的应用导致其进入环境,可能造成水和土壤污染,引发人们对其对人体健康影响的担忧。因此,为保护人类和公共健康,有必要从水/废水中去除PFAS。通常,由于多种变量之间的复杂相互作用,优化水/废水处理工艺颇具挑战性,需要借助先进的计算方法来确定有效去除PFAS等污染物的最佳条件。换言之,对水/废水中污染物去除过程的建模与分析是预测处理效果、设计水/废水处理厂以及优化复杂处理流程的基础。在这方面,基于机器学习的方法可用于PFAS的建模与分析,这类算法能够从大量数据中学习规律与模式,从而预测不同处理过程中的PFAS去除行为。本研究旨在:(1)简要回顾基于机器学习的方法在运用吸附工艺、膜工艺(包括纳滤和反渗透)、泡沫分离法、高级氧化工艺(如光催化降解和电化学氧化)以及人工湿地等多种修复技术处理受污染水体时,用于PFAS去除建模与分析的应用情况;(2)探讨运用基于机器学习的方法对这些修复技术处理水介质中PFAS去除过程进行建模与分析时所面临的挑战及可能的解决方案;(3)最后,阐述该领域的未来发展方向。

引言

全氟和多氟烷基物质(PFAS)共有超过12,000种或15,000种人工合成的有机氟化合物[3],因其独特的物理化学性质,被广泛应用于各类消费品和工业领域,如造纸、食品包装、纺织、皮革、金属加工、半导体、化妆品和个人护理产品、消防泡沫、防水产品等[2,3,4,5,6,7,8,9,10,11,12,13]。PFAS的广泛使用导致其进入环境,可能造成水和土壤污染[10,12,14,15]。它们在饮用水、饮用水源[6,13,15,16,17,18,19,20,21]、废水[3,9,12,22]以及污泥[23,24]中的存在,引发了人们对其对人体健康影响的担忧[3]。
有研究指出,接触一定水平的PFAS可能会增加患某些癌症(如肾癌、前列腺癌和睾丸癌)、甲状腺疾病的风险,还会导致胆固醇水平升高和/或肥胖风险增加,以及孕期高血压风险上升等[2,5,6,8,9,10,11,12,13]。为保护人类和公共健康,美国环境保护署制定了部分PFAS在饮用水中的可执行最高污染物浓度标准以及基于健康考虑但非强制性的最高污染物浓度目标值[2,13,25]。
现有文献中报道了多种用于处理水介质/样品中PFAS的修复技术,包括基于分离/浓缩的技术(如吸附工艺、膜工艺(包括纳滤和反渗透)、臭氧分离法和泡沫分离法)[13,26],以及基于破坏/降解的技术(如高级氧化工艺、高级还原工艺和生物降解法)[8,13,26]。
近年来,包括机器学习、自然语言处理以及机器视觉或计算机视觉在内的人工智能技术已在水、能源和食品领域得到应用[27]。尤其是机器学习,作为一种强大且实用的工具,被广泛应用于提升PFAS来源识别、监测和修复的效果[28]。Hosseinzadeh等人[29]总结了基于机器学习的PFAS控制系统建模与分析方法,认为利用新型机器学习技术进行PFAS污染检测、故障排查和维护是值得关注的研究方向[29]。Park等人[28]则梳理了基于人工智能的PFAS检测、监测和管理方面的最新进展,指出基于人工智能的模型能够提升PFAS管理的效率[28]。Rahman等人[30]研究了机器学习在PFAS管理中的应用,强调要实现标准化数据收集和公平的实施,才能更好地推动机器学习在这一领域的应用[30]。Kazi等人[31]探讨了基于物理原理的机器学习模型在优化用于PFAS处理的二维材料方面的应用,尤其是通过电化学降解和吸附工艺等技术,同时指出了数据匮乏、需要现实场景验证以及计算成本高等挑战[31]。Yaghoobian等人[32]总结了通过数据驱动方法实现水环境中PFAS检测与修复的集成解决方案,强调未来研究应优化人工智能驱动的监测系统,并将实时传感技术与自适应修复策略相结合[32]。综上,有必要回顾基于机器学习的方法在运用不同修复技术处理水/废水时用于PFAS去除建模与分析的应用情况,分析相关挑战及可能的解决方案,这也是本研究的总体目标。

章节要点

研究方法

为开展针对基于机器学习的方法在运用不同修复技术处理水/废水时用于PFAS去除建模与分析方面的文献综述,本研究从谷歌学术、Scopus、ResearchGate、Web of Science等数据库中筛选出了最相关的文献。本简短综述旨在回答以下问题:(1)有哪些基于机器学习的方法被用于运用不同技术处理水介质中PFAS的去除...

机器学习在去除水/废水中的PFAS中的应用

机器学习是人工智能的一个分支,主要研究学习过程的计算模型构建[33]。按照Mitchell的观点[34],它指的是任何能够通过经验提升自身在某些任务上性能的计算机程序。基于机器学习的方法通常可分为无监督学习、监督学习和强化学习三类[27]。
总体而言,由于...

挑战与可能的解决方案

基于机器学习的方法在运用不同修复技术处理水介质中PFAS去除的建模与分析方面已经展现出实用性和有效性,目前也有不少模型正在被开发出来,以进一步提升这些方法的预测能力。不过,仍存在一些关键挑战,包括与数据相关的问题(如数据量、数据质量以及数据不平衡问题),以及模型本身的复杂性问题(如模型的可解释性和泛化能力问题)。
基于机器学习的模型依赖于...

结论与未来展望

本文简要回顾了基于机器学习的方法在运用吸附工艺、膜工艺(即纳滤和反渗透)、泡沫分离法、高级氧化工艺(即光催化降解和电化学氧化)以及人工湿地等多种修复技术处理水介质中PFAS去除时的应用情况。例如,基于机器学习的方法包括随机森林、LASSO、随机森林、支持向量回归、人工神经网络、多层随机森林、量子梯度玻尔兹曼神经网络、一维全局玻尔兹曼卷积网络、一维卷积神经网络、AdaBoost、梯度提升决策树、梯度提升机、XGBoost、SSA-KELM-AdaBoost等等...

利益声明

? 作者声明,他们不存在任何可能影响本文所述工作的已知利益冲突或个人关系。

致谢

作者(S.J.)感谢UNCF的Henry C. McBay教师研究奖学金提供的支持。本文中所表达的任何观点、研究发现、结论或建议均属于作者个人观点,不代表UNCF的立场。
Shahryar Jafarinejad|Shreeshivadasan Chelliapan|Janmenjoy Nayak|Pritheega Magalingam
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