基于层状双氢氧化物的机器学习预测重金属去除能力

《Journal of Environmental Chemical Engineering》：Machine Learning Prediction of Heavy Metal removal Capacity using Layered Double Hydroxide

　　

• •
  构建了包含265个样本和多个特征的复合数据库。
• •
  CatBoost回归模型在训练集上达到了0.936的预测精度。
• •
  结构特征是决定矿化能力的主要因素。
• •
  合成条件通过结构特征影响矿化性能。

引言

重金属造成的环境污染仍然是全球生态系统和人类健康面临的最严重且持久的威胁之一[22]，[5]。一旦有毒金属进入土壤和水体，它们不会降解，而是积累、迁移，最终进入食物链，导致长期生态破坏和慢性健康风险[12]，[14]。传统的修复措施往往不足以中断这些途径，特别是在经历快速工业化、集约化农业和废物管理不力的地区。这些挑战凸显了对能够有效固定重金属并防止其在各环境区室间转移的先进吸附材料的迫切需要。开发此类材料对于实施全面和可持续的修复战略至关重要，这些战略可以保护土壤质量，保护水陆生物群，并减轻金属污染对整个生态系统产生的连锁影响。

层状双氢氧化物（LDH）已成为解决土壤和水体环境中重金属污染的特别有前途的一类工程矿化材料（X. [16]，[19]，[33]）。在结构上，LDH由由二价和三价金属阳离子形成的带正电的类水镁石层组成，层间空间中填充有可交换阴离子和水分子[8]。这种独特的结构赋予LDH卓越的阴离子交换能力、表面反应性和可调化学性质。其吸附性能由多种机制控制，包括同晶替代、静电吸引、层间阴离子交换、表面络合，以及在某些情况下稳定含金属相的沉淀[17]，[4]。由于这些特性，LDH越来越多地被用于环境修复技术中，通过形成超稳定的矿化结构来固定被污染土壤和废水处理系统中的Pb、Cd、Ni、Cr和Cu等有毒金属。其结构灵活性、低合成成本[23]以及已验证的效率使LDH成为防止污染物迁移和降低复杂环境基质中生物有效性的最通用材料之一。

最近的研究通过精细的材料设计策略进一步增强了LDH对特定重金属的靶向固定能力和矿化效率。最初，调节插层阴离子是提高LDH去除能力的一种方法[2]。将巯基丁二酸引入LDH层间显著增强了其在土壤中对Cd²⁺的选择性吸附和固定能力，这是由于其与Cd²⁺的强螯合作用[9]；而将硫代二甲氨基二碳酸钠引入LDH层间则显著提高了其对Cu²⁺和Pb²⁺的去除能力[6]。其次，通过构建三元LDH，可以优化层状结构内二价阳离子的释放途径和空位形成机制，从而增强对Cd²⁺的同晶替代效率（X. [30]）。此外，通过巧妙利用LDH的"记忆效应"并通过煅烧-还原循环诱导结构变化，也可以实现对废水中As(Ⅲ)的高效去除[29]。尽管这些研究在增强LDH对重金属的去除效果方面取得了显著进展，但目前的绝大多数工作仍集中在吸附容量和效率的评估上。对于LDH的本征性质（如微观结构演化、层状组成和层间环境）与其矿化性能之间内在关联的系统阐释尚显不足，这在一定程度上限制了高性能LDH的靶向设计和开发。

数据驱动材料设计的最新进展表明，机器学习（ML）可以揭示复杂的结构-性能关系并促进吸附材料的合理设计。例如，Zhang等人[32]将实验数据与机器学习相结合，建立了木质素衍生Cr(VI)吸附剂的结构-性能关系，并将所得模型应用于逆向材料设计。在基于LDH的体系中，Wei等人[27]应用了多种机器学习算法来预测LDH基催化剂在析氧反应中的双电层电容，并使用SHAP（Shapley可加性解释方法）识别了控制电化学性能的组成和结构因素。他们的研究展示了可解释机器学习在LDH设计中的价值，但侧重于电催化性能而非污染物去除。Zhang等人[31]采用优化后的多层嵌套随机森林模型来预测LDH的磷酸盐吸附容量和磷酸盐去除效率。通过整合结构、合成和运行变量，他们确定了金属组成、合成温度和时间、初始磷酸盐浓度、投加量和pH作为重要预测因子，并对模型指导的LDH配方进行了实验验证。然而，该模型专门针对磷酸盐去除开发，因此仅涉及单一污染物类别。类似地，Ibrahim和Vohra[11]应用机器学习来优化使用Mg-Fe LDH去除不同硒物种的效果。为了建模和预测去除性能，该研究比较了响应面方法与反向传播人工神经网络。神经网络显示出明显更高的预测精度，达到R² = 0.9894（亚硒酸盐）、0.9709（硒酸盐）和0.9568（硒氰酸盐），在所有情况下均优于响应面方法。这些发现凸显了基于神经网络的模型在预测和优化硒修复中LDH吸附行为方面的强大能力。

尽管机器学习在LDH相关体系中的应用日益增长，但现有研究主要集中于非修复性能或单一污染物-材料体系。因此，尚不清楚能否在化学多样的LDH和不同重金属物种之间建立可推广的结构-性能关系。这一挑战尤为重要，因为LDH的吸附性能同时受到组成、结构、形貌、合成相关和运行因素的影响，而这些因素的综合作用很难通过传统的单因素逐一比较来解决。为弥补这一空白，本研究开发了一套旨在预测LDH对多种重金属（Cd、Cu、Pb、Cr和As）去除能力的机器学习模型。从121篇同行评审研究中汇编了综合数据库，整合了LDH材料的结构、组成、形貌和运行描述符。利用该数据集，训练并验证了预测机器学习模型，识别了关键控制参数并建立了可靠的结构-性能关系。所开发的CatBoost模型展示了强大的预测能力，在训练数据集上达到了高精度，在测试数据集上表现出中等但稳健的性能，证实了其在异质数据上的泛化能力。本工作的总体目标是为设计具有优化吸附行为的LDH吸附剂提供统一的、数据驱动的框架，并推进对LDH性质如何影响污染物去除效率的机理理解。

章节摘要

数据收集

在本研究中，相关文献从Web of Science核心合集检索。检索策略基于LDH在重金属去除应用中的关键参数，采用精确的关键词组合：TS =（层状双氢氧化物或LDH或类水滑石材料）且TS =（重金属或镉或Cd或铅或Pb或铜或Cu或砷或As或铬或Cr）。检索范围从1985年至2026年1月，以确保涵盖研究进展的

LDH数据集的描述性统计

图1展示了从文献中收集的六种重金属（Cd、Cu、Pb、Cr、As(Ⅲ)和As(V)）的吸附容量分布情况，这些重金属纳入了LDH数据库。每个箱线图展示了中位数、四分位距和整体分散情况，而单个数据点代表不同研究中实验报告的吸附容量。数据集显示出不同金属吸附性能的巨大变异性，反映了

结论

在本研究中，从文献汇编了全面的LDH材料数据库，涵盖了多种重金属（Cd、Cu、Pb、Cr、As(III)和As(V)）的吸附容量以及广泛的结构、组成和合成相关参数。应用机器学习建模来预测吸附性能并识别影响LDH材料吸附行为的关键因素。

CatBoost模型展示了强大的预测能力，具有较高的R²值

未引用参考文献

Li等人，[18]

CRediT作者贡献声明

赵羽飞：指导，项目管理，资金获取。Tatiana MINKINA：指导，项目管理，资金获取。邹昌雄：撰写——初稿，数据整理。Ekaterina KRAVCHENKO：撰写——审阅与编辑，撰写——初稿，方法论，调查，形式分析。Maxim ZHELNIN：形式分析。李梓龙：数据整理。冯永军：资金获取，撰写——审阅与编辑。Dilfuza JABBOROVA：形式分析。

利益冲突声明

作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。

致谢

作者衷心感谢俄罗斯联邦科学与高等教育部（编号：075-15-2025-686）的资金支持，机器学习建模和数据可视化在该项目资助下完成；同时感谢国家自然科学基金（22438007）、新疆生产建设兵团科技计划（2025BC009）以及国家自然科学基金（22494680和22494683）的支持，这些数据收集和数据分析工作在这些基金的资助下进行。

Ekaterina KRAVCHENKO|Changxiong ZOU|LI Zilong|Maxim ZHELNIN|Dilfuza JABBOROVA|Tatiana MINKINA|Yongjun FENG|Yufei ZHAO