将机械原理与机器学习的理解相结合，以揭示在利用植物油从垃圾填埋场基质中分离微塑料的过程中，控制回收效果的关键因素

《Microchemical Journal》：Integrating mechanistic and machine learning understanding to reveal recovery-controlling factors in vegetable oil-mediated separation of microplastics from landfill matrices

　　•蓖麻油在从垃圾填埋场基质中回收微塑料（MPs）方面表现优于橄榄油。
• MPs的大小在不同聚合物和形态下的回收率中起主导作用。
• 纤维的回收率始终低于碎片状颗粒。
• XGBoost和GBDT能够准确预测MPs的回收效率。
• 可解释的机器学习揭示了控制MPs分离的特征依赖性相互作用。

**引言**
关于陆地生态系统中微塑料（MPs）的研究始于15年前[1]。此后，在了解其来源、迁移途径和生态毒理学影响方面取得了显著进展[2][3][4]。然而，专门针对垃圾填埋场环境中MPs污染的研究仍然有限[5]。这一差距值得注意，因为垃圾填埋场不仅是大量塑料废物的储存场所，复杂的生态环境压力还会产生二次微塑料，这些微塑料随后会进入土壤、渗滤液、地下水以及周围环境。尽管如此，关于垃圾填埋场基质的研究非常少，对这些系统中MPs的全面表征仍在进行中[6][7]。推进垃圾填埋场相关MPs研究的一个关键限制是有效分离这些微塑料与复杂的异质填埋场基质，这是准确进行物理化学表征的基础。此外，改进的分离技术不仅能支持分析研究，还能增强从受污染的垃圾填埋场基质中去除MPs的效果[8]。
传统的基于密度的分离方法对于小尺寸MPs（<1毫米）的效果较差，而这类MPs在环境中最为常见[9]。因此，传统方法可能会系统性地低估MPs的浓度，尤其是对于细小颗粒。浮选作为一种有前途的替代方法，通过利用表面润湿性的差异而非仅依赖密度来分离MPs[10]。浮选技术通过利用大多数聚合物颗粒的内源性疏水性促进其附着在分离介质上，然后进行收集[11]。已经开发了几种浮选策略来分离MPs，每种策略基于不同的原理。泡沫浮选是一种利用润湿性差异从水基基质中选择性分离MPs的方法[12][13]；溶解空气浮选（DAF）则通过将小颗粒附着在气泡上来实现分离，提供更大的气泡表面积以利于颗粒附着并最终作为浮渣被去除[14]。最近，还研究了微气泡、纳米气泡、电浮选和表面活性剂辅助浮选等方法来提高小颗粒的分离效果[15][16][17][18]。这些方法一致表明，浮选效率不仅取决于浮选本身的配置，还取决于MPs的物理化学性质。

在更广泛的浮选方法领域中，油介导的分离方法最近受到了相当多的关注，因为它是一种与密度无关的分离MPs的方法。这种方法不是依靠颗粒与气泡的附着，而是利用聚合物表面的亲油性，在剧烈混合过程中使MPs优先分配到不混溶的油相中[19]。最初使用芥花油从添加了MPs的沉积物样本中回收MPs来演示这种方法[19]，随后对其进行了改进，以评估其在各种环境基质（包括水、农业土壤和贻贝）中的分离效率（表S1）[20][21][22]。然而，不同研究之间报告的回收效率差异很大，因为不同油具有不同的物理化学性质，特别是粘度、密度、表面张力和脂肪酸组成，这些因素会影响颗粒的包封和浮选行为。此外，之前的研究通常只评估了总体回收效率，而没有系统地考察MPs和基质特性对分离效果的综合影响。尽管许多研究报告的回收效率超过90%，但由于颗粒特性、浮选介质、样本基质、预处理程序和分析协议的差异，直接比较这些研究结果较为困难。更重要的是，MPs特性与浮选效率之间的机制关系尚未得到充分量化，特别是对于来自垃圾填埋场的MPs来说，其中高有机物含量和异质基质进一步增加了分离的复杂性。因此，越来越需要能够整合多个相互作用变量并确定控制分离效果主导因素的预测工具[23]。

机器学习（ML）在MPs研究中开始发挥越来越重要的作用[24][25]。ML算法在识别膜过滤、混凝-絮凝和吸附方法中实验条件与MPs去除效率之间的复杂非线性关系方面展现了巨大潜力，从而有助于优化工艺并减少实验工作量[26][27][28]。可解释的机器学习进一步使得可以定量评估物理化学变量的相对重要性，为设计更高效和可持续的MPs去除工艺提供了机制上的见解[29]。尽管这些进展突显了ML在MPs研究中的重要作用，但其应用于基于浮选的MPs分离的研究仍然非常有限。现有的浮选研究主要集中在通过优化操作参数（如气流量、气泡大小、表面活性剂用量、浮选时间和油类型）来提高回收效率。相比之下，对回收效率的定量预测研究较少。现有研究主要报告了回收效率，而没有定量识别控制回收的物理化学因素或解释它们之间的相互作用。最近在可解释人工智能方面的进展提供了结合高预测性能与机制解释的机会，以填补这一空白。

为了解决这些基本问题，本研究评估了两种环境安全的植物油——蓖麻油和橄榄油从城市固体废物（MSW）垃圾填埋场土壤和渗滤液中提取MPs的效果。实验中评估了六种常见聚合物类型（低密度聚合物：聚乙烯、聚丙烯和聚苯乙烯；高密度聚合物：聚酰胺、聚对苯二甲酸乙二醇酯和聚氯乙烯），以及四种不同的形态（碎片和纤维）和四种特定的颗粒尺寸类别（2毫米、1毫米、0.5毫米和0.025–0.5毫米）。此外，该提取程序还应用于真实的未添加MPs的垃圾填埋场样本。同时，测试了七种机器学习模型（如自适应提升算法（AdaBoost）、随机森林（RF）、额外树（ET）、梯度提升决策树（GBDT）、极端梯度提升（XGBoost）、分类提升（CatBoost）和轻量级梯度提升机（LightGBM），以预测MPs的回收效率，并能够定量评估控制分离效果的主要变量。将机制性实验、统计相关性分析和可解释的机器学习相结合，为理解和优化基于油的垃圾填埋场基质微塑料提取技术提供了新的框架。

**章节片段**
**垃圾填埋场样本采集**
所有样本均来自印度西孟加拉邦Hooghly区Chandannagar（北纬22°52′18.2″，东经88°21′32.8″）的一个未受控制的市政固体废物（MSW）垃圾填埋场。Chandannagar是Kolkata北部约35公里处的一个郊区，位于Hooghly河的西岸。该垃圾填埋场面积约为4.8英亩，每天接收约60吨废物。使用不锈钢铲从表层0–10厘米的土壤中采集样本。原始渗滤液也进行了收集。

**添加了MPs的样本的表征**
添加了MPs的样本的FTIR光谱显示了与其特定官能团相对应的吸收峰，并与参考光谱高度吻合（图S4）。紧密的光谱匹配证实了用于添加实验的MPs的身份。XRD图谱揭示了不同的结晶特征（图S5）。PE在2?为21.6°和24.05°处显示出两个明显的衍射峰，对应于（110）和（200）晶体结构。

**尺寸效应**
使用蓖麻油和橄榄油从垃圾填埋场土壤和渗滤液中提取的MPs的平均浓度比较显示，两种方法提取的颗粒数量存在明显差异。在垃圾填埋场土壤中，蓖麻油的MPs总浓度最高（718.00 ± 21.8颗粒/20克），超过了橄榄油（674.00 ± 32.4颗粒/20克）（表3）。这表明蓖麻油在提取小颗粒方面更为有效，其中蓖麻油提取了372.67 ± 13.0颗粒/20克。

**MPs分离机制**
分离机制主要由界面现象控制，特别是润湿性和界面张力（图4）。本研究中使用的两种油主要由甘油三酯组成，蓖麻油含有约90%的蓖麻油酸（C18H34O3），这是一种羟基化不饱和脂肪酸；橄榄油含有约75%的油酸（C18H34O2），这是一种单不饱和脂肪酸[65][66]。这些长链脂肪酸促进了强烈的相互作用。

**模型评估**
对于蓖麻油，XGBoost表现出最高的预测性能，训练R2值为0.996，交叉验证的测试R2值为0.808 ± 0.072，同时具有最低的RMSE和MAE（表4）。GBDT也显示出类似的趋势，其测试R2值为0.801 ± 0.055，预测误差略高于XGBoost。折叠外绝对预测误差的小提琴图也显示出更窄的误差范围。

**限制与未来方向**
本研究提供了关于植物油介导的从垃圾填埋场基质中分离MPs的机制性见解；然而，也应认识到一些限制。首先，仅对PA、PET和PVC的纤维进行了评估，而PE、PP和PS仅以碎片形式存在，因为这些聚合物主要来源于一次性塑料制品，如包装材料、消费品和泡沫[72][73]。因此，颗粒形态对分离效果有影响。

**结论**
本研究系统地评估了从复杂垃圾填埋场基质中通过油介导分离微塑料（MPs）的效果，强调了颗粒大小、形态和聚合物类型的影响。在调查的因素中，颗粒大小被确定为回收效率的主要决定因素，较大的MPs由于浮力和阻力驱动的传输作用而具有更高的回收率。碎片比纤维更高效地被回收。

**作者贡献声明**
Ayan Lodh：撰写——初稿、可视化、方法学、调查、正式分析、概念化。
Mozim Shafi：撰写——审阅与编辑、撰写——初稿、可视化、概念化。
Pushpraj Priadarshi：可视化、软件、正式分析、概念化。
Sudha Goel：撰写——审阅与编辑、监督、资源协调、概念化。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

**致谢**
作者感谢Chandannagar市政公司提供研究许可以进行样本采集。作者还要感谢印度西孟加拉邦Kharagpur印度理工学院采矿工程系和能源科学与工程学院提供的立体放大显微镜和光学张力计设施。在准备本手稿的过程中，