基于机器学习的磺胺甲噁唑在生物炭上的吸附预测：一种用于性能评估与机理阐释的数据驱动方法

《Process Safety and Environmental Protection》：Predicting sulfamethoxazole adsorption onto biochar via machine learning: A data-driven approach for performance evaluation and mechanism interpretation

　　

摘要

水中的抗生素污染正带来日益严峻的环境风险。生物炭吸附是去除水中磺胺甲恶唑（SMX）的有效方法，但其性能受多因素耦合交互作用控制，难以仅通过传统实验进行系统评估。为弥补这一不足，本研究基于文献汇编数据集，开发了四种机器学习模型，即随机森林、支持向量回归、极端随机树回归器和多层感知机（MLP），用于预测SMX在生物炭上的吸附行为。MLP模型测试R² > 0.99，在所有特征组合中均优于其他模型。SHapley可加性解释（SHAP）分析识别出初始浓度、改性方法、比表面积、孔体积、接触时间、pH、吸附剂用量和热解温度是决定吸附容量的关键因素。进一步的依赖分析揭示了这些关键特征与SMX在生物炭上吸附机制之间的相关性。最后，一个仅保留六个易于获取特征的简化MLP模型仍达到了约0.99的测试R²，为快速工程评估提供了实用工具。本研究为机器学习驱动的吸附研究提供了方法论参考，研究结果有助于提高对SMX去除效率的理解和预测，促进水处理中生物炭的筛选和工艺优化。

引言

磺胺甲恶唑（SMX）是一种典型的磺胺类抗生素，因其广谱抗菌活性、良好的化学稳定性和低廉的生产成本，在医疗保健、畜牧业和养殖业中得到广泛应用（Song et al., 2026, Pereira et al., 2026, Su et al., 2026）。然而，大多数磺胺类抗生素不能被动物或人体完全代谢，而是通过粪便和尿液以化合物形式释放到环境中。长期暴露于此类抗生素不仅会干扰微生物代谢、破坏生态平衡，还会加速抗生素抗性基因的传播，对公共健康和生态环境构成严重威胁（Chen et al., 2026, Wang et al., 2026, Patar et al., 2024）。

为去除水中的磺胺类抗生素，已探索了多种处理技术，包括生物降解（Rodrigues et al., 2026）、化学氧化（Zhang et al., 2023）和物理吸附（Sousa et al., 2025）。其中，吸附因其操作简单、成本低廉且无二次污染等优势，已成为水中抗生素去除的主流策略之一（Zheng et al., 2026, Mazumder et al., 2026, Patar et al., 2024）。生物炭是在缺氧条件下生物质热解制得的富碳材料（Campion et al., 2026, Mazumder et al., 2025, Kong et al., 2026）。由于其具有大的比表面积、多孔结构、丰富的官能团、低廉的成本和绿色环保特性，在有机废水处理方面极具吸引力（Omair et al., 2026, Hua et al., 2026, Liu et al., 2026）。各种改性策略，如酸碱活化、金属盐浸渍和杂原子掺杂等，已被应用于生物炭的功能化（Zou et al., 2026, Zhang et al., 2020），从而大大增强了其对SMX的吸附能力。例如，通过ZnCl₂活化制备的分级多孔改性生物炭对SMX的最大吸附容量达到597.57 mg/g，是原始生物炭的54倍（Hou et al., 2023）。球磨辅助水热氮掺杂污泥生物炭也表现出高效的SMX吸附去除能力（Ma et al., 2024）。

尽管关于生物炭吸附SMX的实验研究已积累了大量发现，但传统实验方法面临日益突出的瓶颈。生物炭的吸附性能受多种因素的交互影响，包括原料类型、热解温度、改性方法、溶液pH、初始浓度和接触时间等（Li et al., 2023）。常规的单因素实验和正交实验设计难以充分捕捉这些复杂因素间的非线性耦合关系。此类方法不仅耗时费力，而且在从大量实验数据中提取隐含的结构-活性关系方面效率低下。因此，通过少量实验准确评估SMX在生物炭上的吸附、识别关键影响因素并阐明机理，对于生物炭吸附SMX的研究至关重要。

近年来，机器学习的快速发展为上述挑战提供了一种新颖且充满希望解决方案。从高维非线性实验数据中，机器学习能够自动捕获输入与输出之间的复杂映射关系（Ye et al., 2026, Picone, 2026, Guo and He, 2025）。这一能力在生物炭吸附领域的多个方向已展现出可观的应用前景（Wang et al., 2024, Qiao et al., 2025）。在性能预测方面，研究人员已成功利用极端梯度提升（XGBoost）、随机森林（RF）和人工神经网络（ANN）等算法，构建了生物炭对各种污染物吸附容量的高精度预测模型（Ullah et al., 2025, Xiang et al., 2025, Shi et al., 2026）。在机理分析方面，通过引入Shapley可加性解释（SHAP）方法，机器学习模型可以定量评估各输入特征对吸附性能的贡献，从而揭示控制吸附过程的关键因素（Abdelfattah et al., 2025, Ren et al., 2025）。

迄今为止，极少有研究系统地利用机器学习方法评估生物炭对SMX的吸附性能。在有限的研究努力中，大多数研究要么局限于狭窄的输入特征范围，要么局限于特定的实验条件，较少关注生物炭性质、制备参数和吸附条件在统一建模框架内的联合效应。此外，尽管一些近期工作采用了SHAP来提高模型的可解释性，但绝大多数研究尚未将其与吸附机理相结合。同时，研究中所建立的模型大多未针对实际工程应用进行简化，仍然依赖于比表面积和孔体积等昂贵且耗时的特征参数，这限制了其在实际应用评估中的实用性。

为弥补上述不足，本研究系统地收集并整合了生物炭吸附SMX的实验数据，基于多种机器学习算法构建了吸附性能预测模型。首先，收集并汇总了全面的文献数据集，涵盖不同的生物炭原料、制备条件和吸附参数。然后，评估了不同模型对吸附容量的预测能力。在此基础上，全面运用可解释性工具SHAP识别影响吸附性能的关键因素并阐明其潜在机理。最后，开发了具有实际应用价值的简化模型，旨在为生物炭吸附剂的针对性设计和生物炭吸附去除SMX的工艺条件优化提供理论基础和方法学支持（图1）。

章节摘要

数据收集与筛选

本研究使用的数据来源为Web of Science核心合集。检索关键词设置为"生物炭"、"磺胺甲恶唑（SMX）"和"吸附"的组合。共检索到46篇文献，涵盖2012年3月至2026年5月的时期（表S1）。为确保数据质量并与建模目标一致，制定了以下数据筛选标准：(1)实验必须为静态间歇吸附实验；(2)实验

数据可视化

为清晰呈现构建数据集在建模前的分布特征，本研究对所有特征进行了可视化分析。数据集共包含18个变量，其中包括2个分类变量和16个数值变量。分类变量包括生物质原料和改性方法。如表S4所示，共涉及12种生物质原料，其中稻草占比最高，为33.93%。

结论

本研究基于机器学习系统地评估了生物炭对SMX的吸附性能，同时对关键特征的响应模式和潜在吸附机理进行了深入分析。具体而言，与RF、SVR和ETR相比，MLP模型在所有三种特征输入组合中均表现出最佳预测性能（R2 ≥ 0.991）。基于MLP模型SHAP值的全局重要性分析揭示，初始浓度

CRediT作者贡献声明

马志远：撰写——初稿，软件，方法学，调查研究。杜明：撰写——初稿，方法学，调查研究，数据整理。贾珊珊：数据整理。张荣：撰写——审阅与编辑，监督，资金获取。屈成屯：撰写——审阅与编辑。李欣茹：撰写——审阅与编辑，方法学。程良义：数据整理。范正：撰写——审阅与编辑。陈刚：撰写——审阅与编辑，资金获取。

利益冲突声明

作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。

致谢

本研究由陕西省教育厅重点科研项目资助（项目编号：25JR138）。

杜明|马志远|张荣|贾珊珊|程良义|李欣茹|陈刚|范正|屈成屯