基于数据的氮掺杂碳介导的硫酸根自由基高级氧化过程优化:反应窗口确定与机理分析

《Journal of Environmental Sciences》:Data-driven optimization of nitrogen-doped carbon mediated sulfate radical advanced oxidation processes: process window identification and mechanistic insights

【字体: 大 中 小 】 时间:2026年08月01日 来源:Journal of Environmental Sciences 6.5

编辑推荐:

  •为SR-AOPs的优化,构建了一个可解释的XGBoost–SHAP–PRIM框架。•SHAP可用于量化动力学因素与表面化学因素对催化性能的影响。•PRIM能够找到兼具高效率与长稳定性的帕累托最优区间。•这种多目标最优工艺区间具备较强的抗参数扰动能力。引言在环境保护领域,采用高级

  
  • •
    为SR-AOPs的优化,构建了一个可解释的XGBoost–SHAP–PRIM框架。
  • •
    SHAP可用于量化动力学因素与表面化学因素对催化性能的影响。
  • •
    PRIM能够找到兼具高效率与长稳定性的帕累托最优区间。
  • •
    这种多目标最优工艺区间具备较强的抗参数扰动能力。

引言

在环境保护领域,采用高级氧化工艺处理高毒性、难降解的有机污染物(包括持久性工业化学品和药物残留物)已达成共识。这类工艺可通过产生强氧化活性物质来实现污染物的矿化,其中以异相催化剂激活的硫酸根自由基为基础的SR-AOPs在过去十年中受到了广泛关注。这类工艺具有氧化效率高、适用pH范围广、自由基寿命长等优势,因此已在实验室层面得到了深入研究(Yang等人,2024年)。在各类SR-AOPs催化剂中,氮掺杂碳材料因其可调的电子结构、较高的比表面积以及无金属的绿色特性而成为研究热点(Yokwana等人,2023年)。然而,N-C催化剂的结构特性与反应条件之间存在多种交互作用,使得难以人工确定其最佳匹配参数,这严重制约了这类催化剂在SR-AOPs中的实际应用(Sun等人,2025年)。
N-C催化剂的设计涉及多个维度的结构特征,包括表面的含氧官能团(C=O、C-O)、元素组成(碳、氮、氧含量)、缺陷密度以及多孔结构参数(孔径、孔深)。同时,SR-AOPs的反应过程也受催化剂用量、氧化剂用量、溶液pH值和反应时间等多种操作参数的影响,而这些参数之间往往还存在复杂的耦合效应(Stefan,2017年)。由于结构因素与工艺参数之间存在这种多维度相互作用,传统的经验试错法无法实现催化性能的全局优化,同时也难以将实验室优化的工艺条件转化为实际工业应用条件(Sahu,2025年)。此外,关于N-C催化剂结构与性能关系的内在机制仍缺乏足够的基于数据的验证。
传统的实验方法存在参数探索范围有限、研究效率较低等固有缺陷,且大多仅针对单变量或有限的参数区间进行研究,这使得人们难以系统地理解催化降解过程(Mahy等人,2021年)。因此,迫切需要一种系统化、智能化的方法来设计和制备N-C催化剂,这一需求也在近期关于水处理技术的综述中得到了强调。机器学习技术能够从大规模实验数据中挖掘出隐藏的多变量规律,为解决复杂的多变量优化问题提供了有效工具(Yuan等人,2025年)。与传统的“黑箱”机器学习模型不同,结合SHAP分析的可解释建模方法能够量化各特征对催化性能的贡献,并识别出影响性能的关键因素(Semnani等人,2024年)。
在工艺优化过程中,准确识别关键变量的高性能区间对于实际工业应用至关重要。目前该领域的多数机器学习研究都侧重于优化单点性能以实现最高的降解效率,但这些研究过度依赖理想的实验室条件,因此其结果很容易受到实际工业环境中性能波动的影响。此外,这类研究大多采用单一因素和单一目标的建模策略,只注重催化活性,而忽视了长期稳定性与环境安全性方面的表现(Gao等人,2025年)。现有的区间发现算法也存在各自的局限性:基于树的规则提取算法产生的规则较为零散,RuleFit在高维空间中容易生成冗余规则,贝叶斯优化依赖于替代模型,而支持向量机则可解释性较差(Zhang等人,2023年)。耐心规则归纳法(PRIM)则能够准确识别出高性能参数区间,并将统计模型转化为可操作的工艺参数指南,因此成为解决相关问题的优选算法。本研究致力于开发和验证基于PRIM的多目标区间挖掘方法,这一研究方向目前尚未得到充分探索(Lee等人,2020年)。这类可解释的基于数据的技术能够弥合实验观察与机理理解之间的差距,近年来其在催化剂设计中的应用也越来越广泛(Zhang等人,2023年)。
基于上述背景,本研究旨在构建一个可解释的机器学习框架,提出一个能够适应工业环境波动的宽范围稳健参数区间,为N-C催化剂的设计以及基于此类催化剂的SR-AOPs的工艺优化提供多目标指导。在本研究中,通过整合催化剂结构描述符与反应操作条件,构建了一个包含1046个有效样本的全面催化降解数据集,这些样本涵盖了影响N-C催化剂基SR-AOPs性能的所有关键因素。研究人员开发并优化了多种机器学习模型,以便准确预测降解效率与催化剂循环稳定性。同时采用SHAP分析来明确影响催化性能的核心因素以及不同因素之间的非线性作用关系。此外还运用PRIM算法来寻找能够在高降解效率与环境友好性之间取得平衡的最优工艺区间。研究通过中试规模实验来验证所提框架的实用性,并将原始实验数据与机器学习预测数据通过PRIM分析得到的结果与对比实验结果进行比较,以此验证该数据驱动框架的合理性。本研究提出了一种系统化的方法,有助于解决催化降解系统的整体设计问题,推动N-C催化剂在工业领域的快速应用与发展。

章节要点

数据集构建

本研究建立了机器学习建模与实验验证之间的紧密联系。因此,数据集部分来自已发表的文献数据,部分来自独立的实验室实验,这样的设计既保证了数据的完整性,又兼顾了其在实际工业应用中的相关性(Benavides-Hernandez和Dumeignil,2024年)。文献数据是通过在Web of Science数据库中使用特定关键词检索获得的

数据集特征

所构建的数据集包含了1046种含铁的氮掺杂碳催化剂样品,这些数据涵盖了催化剂的合成条件、微观结构特征、反应操作参数以及双重性能评估指标。这些参数的范围完全覆盖了实际的工业操作区间,而且数据分布不存在明显的偏态或极端异常值(见图S1和S2),这为模型构建和工业应用分析提供了有力支持(Wang等人

结论

为了解决基于氮掺杂碳催化剂的SR-AOPs在催化剂结构与反应条件之间的耦合优化问题,本研究构建了一个可解释的数据驱动型XSP框架,用以实现对这类催化反应的精准调控。该框架整合了1046个工业级有效样本,经过对6种机器学习算法的比较后,最终选择XGBoost模型作为最优预测模型,该模型对应的R2值分别为0.966和0.975

数据可用性声明

本研究整理的相关数据以及基于各种数据集构建的预测模型均可免费获取,它们存储在https://github.com/apriecho/im-bo-uq中。

CRediT作者贡献声明

Zichen Xia:负责撰写初稿、进行正式分析以及数据整理工作。Tao Ren:负责文章的审阅与编辑、方法设计、资金申请以及概念构思工作。Xiaotian Ai:负责文章的审阅与编辑以及方法设计工作。Shiyu Zuo:负责数据整理工作。

利益冲突声明

作者声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金的资助,项目编号为62276058。
Zichen Xia|Tao Ren|Xiaotian Ai|Shiyu Zuo
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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