《Environmental Research》：A Two-Stage Residual Modeling Framework for Data-Driven Prediction of Uranium Adsorption Performance in Aqueous Environments
编辑推荐：
引言铀（U）及其衰变产物（例如镭-226、氡-222）是铀矿开采场地的主要污染源。23?U和23?U的半衰期分别为44.7亿年和7.04亿年；由于具有放射性和化学危害性，它们的释放对环境和人类健康构成了严重威胁（Li等，2023；Liu等，2024）。从放射性溶液中高效去除铀
引言
铀（U）及其衰变产物（例如镭-226、氡-222）是铀矿开采场地的主要污染源。23?U和23?U的半衰期分别为44.7亿年和7.04亿年；由于具有放射性和化学危害性，它们的释放对环境和人类健康构成了严重威胁（Li等，2023；Liu等，2024）。从放射性溶液中高效去除铀具有至关重要的意义，但仍面临科学挑战和技术难题。?酰离子在水表现出高溶解度和强迁移性（Satpathy等，2022；Wang等，2023），而铀矿场废水往往具有复杂基质特征，如pH范围宽和竞争离子干扰。这些问题使得铀的选择性分离极具挑战性。尽管吸附法因其操作简单和成本低廉而被广泛应用于工业废水处理，但吸附性能的增强仍属必要（Li等，2021；Smje?anin等，2024；Zuo等，2024）。开发用于铀去除的高性能吸附剂被认为是一种有效的增强策略，其重点在于通过结构调控实现分子水平的识别和固定化，由此推动了新型吸附剂类型（例如金属有机框架材料（MOFs）（Huang等，2025b；Wan等，2025）、共价有机框架材料（COFs）（Yang等，2023）和聚合物吸附框架材料（PAFs）（Liu等，2024））的出现。此外，为提高铀的吸附性能，还应考虑吸附过程的操作参数，如溶液pH、反应温度和接触时间（Das等，2023；Fu等，2024）。深入理解这些影响因素并阐明材料的结构-性能关系，对于推进吸附剂的理性设计和实际应用至关重要。然而，传统的"合成-表征-测试"循环在处理多维参数空间时存在周期长、成本高和效率低的问题（Wang和Tian，2024）。因此，引入先进的辅助方法已成为加速高性能铀吸附剂开发、促进实验室研究向实际工程应用转化的关键途径。
机器学习在跨学科研究中的价值已得到广泛认可（Moradi等，2023；Sohani等，2022），其核心优势在于能够从复杂的高维数据集中学习非线性关系，并揭示传统统计方法往往无法捕捉的隐含模式（Hu等，2024；Russo等，2021）。在铀吸附材料领域，材料结构参数（Wu等，2023）、吸附条件和吸附性能的大量数据积累已为机器学习的应用奠定了坚实基础。因此，引入机器学习方法对于优化吸附剂设计和预测多维参数空间中的铀吸附性能具有重要的科学和工程价值。这些方法包括XGBoost（Yang等，2025）、LightGBM（Huang等，2025a）和随机森林（Hao等，2025；Jun等，2024），以及神经网络（Gadekar和Ahammed，2019）和基于距离的算法，如多层感知机（MLP）（Hao等，2025）和K近邻（KNN）（Xu等，2025；Yaqub等，2025）。这些算法能够学习材料结构参数与吸附性能之间的复杂映射关系，从而为理性设计提供关键的计算支持。然而，大多数现有研究依赖于单一类别的算法进行预测，且未能在统一条件下进行公平、系统的横向比较，使得难以客观评估不同模型之间的相对优缺点。为弥补这一不足，本研究将在一致的数据集和评估协议下，系统比较涵盖多个类别的九种机器学习算法的预测性能，旨在为未来研究的模型选择提供明确的参考。铀吸附研究中的数据集通常受到噪声干扰的影响，且某些吸附剂的样本量有限。在此类数据集上训练机器学习模型时，过拟合风险显著增加，削弱了模型在未见数据上的泛化能力。此外，由于具有不同的归纳偏差，不同算法在同一数据集上可能产生显著不同的拟合结果。这种模型引起的偏差可能导致计算预测与实际铀吸附行为之间的差异，可能误导新型吸附剂的合成，削弱数据驱动建模与实验验证之间的协同作用，降低计算预测在材料开发中的可信度和指导价值。
针对这一知识空白，本研究将引入一种基于残差建模的两阶段优化策略。在此方法中，基础模型捕捉数据集中的主要趋势，同时对残差进行建模。该框架在数据层面补偿了由异常值和有限样本量引起的统计不稳定性，同时通过其内在机制降低了过拟合风险。通过这种误差分解策略，预测鲁棒性得到了显著增强，为铀吸附剂的理性设计和高通量筛选提供了更可靠的计算基础。
章节摘要
数据集构建与预处理
本研究用于各种材料吸附U(VI)的输入和目标变量数据集，编译自过去八年（2017-2025年）文献中报道的数据。我们使用关键词"U(Ⅵ)"和"adsorption"在Web of Science核心合集中检索相关文章。经过系统筛选，最终选定了100篇报道了240种不同材料的文章。为确保数据完整性，优先从原始
统计特征与特征相关性评估
为了深入了解特征数据分布并为后续建模奠定基础，本研究对数据集中影响铀吸附性能的八个关键特征以及吸附容量进行了分布分析和异常值检测。在多个特征变量中识别出了大量异常值，反映出数据集的广泛覆盖性和高异质性。如图1a和图1b所示，BET比表面积
结论
在本研究中，成功构建了一个全面的铀吸附材料数据集，涵盖了广泛的材料类型、多维特征和大量样本。系统评估了九个机器学习模型的预测性能，定量比较揭示了各模型之间显著的性能差异，初始预测结果不够理想。为了解决模型拟合的局限性并进一步揭示
CRediT作者贡献声明
Diyun Chen：资源、形式分析、数据整理。Minhua Su：写作—审稿与编辑、监督、方法论、资金获取。Giin Yu Amy Tan：写作—审稿与编辑、监督、形式分析。Jingran Yang：写作—初稿撰写、可视化、验证、软件、项目管理、调查、数据整理、概念化
利益冲突声明
?作者声明，他们没有已知可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
作者感谢中国国家自然科学基金（编号：52570071、22276043、42230719）、中国广州市科技计划（2025A03J3090）以及广州大学2026年度仪器设备开放共享基金提供的研究经费。
Jingran Yang|Giin Yu Amy Tan|Diyun Chen|Minhua Su
