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。
Shahryar Jafarinejad|Shreeshivadasan Chelliapan|Janmenjoy Nayak|Pritheega Magalingam