《Next Materials》:Machine learning modeling of acid yellow 17 dye removal from solution using a biogenic hydroxyapatite-supported chitosan-graphene oxide adsorbent
编辑推荐:
本研究的重点是合成一种复合吸附剂(GO@CS-HAp),通过将源自废弃生物质的羟基磷灰石(HAp)与氧化石墨烯(GO)和壳聚糖(CS)整合。该材料通过系统程序合成,并应用于酸性黄17染料的处理。表征测试显示,GO@CS-HAp整合了前驱体的特征,由傅里叶变换红
本研究的重点是合成一种复合吸附剂(GO@CS-HAp),通过将源自废弃生物质的羟基磷灰石(HAp)与氧化石墨烯(GO)和壳聚糖(CS)整合。该材料通过系统程序合成,并应用于酸性黄17染料的处理。表征测试显示,GO@CS-HAp整合了前驱体的特征,由傅里叶变换红外光谱(FTIR)在3200、2992.91、2725、2530、1630和1450 cm-1处的峰位所证实。X射线衍射(XRD)分析确认了HAp的晶面、半结晶CS以及GO被破坏的六方晶格。N2吸附显示比表面积为66.13 m2/g、孔径为1.453 nm、孔容为0.0268 cm3/g。研究人员使用人工神经网络(ANN)对工艺参数对染料吸附的影响进行了建模。ANN模型显示出优异的预测性能,其决定系数(R2 = 0.9980)高,均方误差(MSE = 0.1169)和均方根误差(RMSE = 0.3419)低。采用遗传算法实现了染料去除过程的优化,确定了最大效率(87.33%)的最佳操作条件。最佳参数包括接触时间52.5 min、pH 6.16、吸附剂用量2.0 g、染料浓度117.5 mg/L。吸附等温线分析表明,Langmuir模型适用于平衡数据,而动力学行为由准二级模型准确描述。热力学评估表明该过程是自发且可行的。总体而言,这些结果通过展示新型吸附剂与智能优化策略结合的潜力,为推进染料废水处理做出了贡献。
**论文解读:基于生物源羟基磷灰石负载壳聚糖-氧化石墨烯复合吸附剂去除酸性黄17染料的机器学习建模研究**
**研究背景与意义**
水资源是人类和动物生存的重要基础,但随着全球人口增长和工业化进程加速,清洁水资源的供应面临严峻挑战,尤其是有毒工业废水的排放加剧了这一问题。纺织业作为全球经济的重要部门,在染色过程中消耗大量水,同时产生大量含染料废水,其中约10%–15%的染料因纤维附着力差而流失。偶氮染料(如酸性黄17)因其化学结构中的偶氮基团(–N=N–)而广泛用于纺织、食品、化妆品等行业,但其毒性和致癌性对环境和人类健康构成严重威胁。现有的废水处理方法包括化学氧化、混凝、絮凝、电化学处理、膜分离、反渗透、酶技术及吸附等,其中吸附法因其简便、高效、环保且能处理宽浓度范围废水的优势而被认为是最有效的方法之一。然而,传统吸附剂(如活性炭)的高成本限制了其广泛应用。因此,开发低成本、高性能的替代吸附剂成为研究热点。
羟基磷灰石(HAp,一种钙磷酸盐生物材料)因其高表面积、生物相容性和对阴阳离子染料的吸附能力而受到关注;氧化石墨烯(GO,二维碳材料)具有高理论表面积、热稳定性和亲水性;壳聚糖(CS,一种天然多糖)无毒、可生物降解且富含氨基和羟基官能团。将三者复合可发挥协同作用,弥补单一材料的不足。然而,现有研究多集中于单组分或双组分材料,对三组分复合吸附剂的研究较少,且HAp和GO多从原始前驱体制备,成本高。本研究创新性地利用生物质废弃物(火鸡骨、蟹壳、椰壳)绿色合成HAp、CS和GO,制备了GO@CS-HAp复合吸附剂,并用于酸性黄17染料的去除,同时结合人工神经网络(ANN)和遗传算法(GA)进行过程建模与优化。该研究发表在《Next Materials》上,为染料废水处理提供了可持续、低成本且高效的解决方案。
**关键技术方法**
研究人员采用绿色合成路线:从火鸡骨(来源:尼日利亚贝宁城当地餐馆)经煅烧制备HAp;从蟹壳(来源:尼日利亚三角洲州Warri河市场)经脱矿、脱蛋白、脱乙酰化制备CS;从椰壳(来源同蟹壳)经碳化、KOH活化及改良Hummers法制备GO。随后,将HAp、CS和GO按2:2:1质量比分散于醋酸溶液中,调节pH至10,搅拌后过滤干燥得到GO@CS-HAp复合吸附剂。表征采用傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)、扫描电子显微镜(SEM)和N
2吸附分析。吸附实验采用中心复合设计(CCD)生成数据,用ANN(多层全前馈网络,LM算法,Tanh传递函数)建模,并用GA优化。吸附等温线、动力学和热力学研究分别采用Langmuir、Freundlich、Temkin模型,伪一级、伪二级、Elovich、颗粒内扩散模型,以及范特霍夫方程。
**研究结果**
**3.1 复合吸附剂的表征**
通过FTIR分析,GO@CS-HAp保留了前驱体的特征峰(3200、2992.91、2725、2530、1630、1450 cm
-1),分别对应O-H、N-H、C-H、C=O等官能团,表明各组分成功整合且结构完整。XRD图谱显示HAp的典型晶面(002、211、300等)、CS的半结晶峰以及GO的弥散峰,证实了各组分晶体结构的保留。SEM图像显示复合吸附剂呈不规则多孔结构,HAp颗粒、CS多孔基质和GO褶皱片层相互交织,形成分级孔隙网络。N
2吸附测得比表面积66.13 m
2/g、孔径1.453 nm、孔容0.0268 cm
3/g,属于微孔材料。零电荷点(pHPZC)约为9,表明在pH<9时表面带正电,有利于吸附阴离子染料(如酸性黄17)。
**3.2 染料去除过程的ANN建模**
通过比较不同网络类型、训练算法和神经元数量,确定最优ANN结构为多层全前馈网络(MFFF),采用Levenberg-Marquardt(LM)算法,两个隐藏层各含4个神经元,Tanh传递函数。模型预测性能优异:决定系数R
2 = 0.9980,均方误差MSE = 0.1169,均方根误差RMSE = 0.3419,此外标准误差百分比(SEP)、平均绝对误差(MAE)和平均绝对偏差(AAD)均较低,表明预测值与实验值高度吻合。
**3.3 输入-输出数据可视化**
通过三维曲面图和等高线图分析各变量对去除效率的影响:初始染料浓度增加时,去除率升高,因高浓度增强传质驱动力;pH增加(低于pHPZC)时去除率升高,因表面正电荷增强静电吸引;接触时间较低时去除率较高,归因于快速吸附动力学;吸附剂用量较低时去除率较高,因表面-染料浓度比增加。
**3.4 染料去除效率的优化**
将ANN模型与遗传算法(GA)耦合,得到最佳操作条件:接触时间52.5 min、pH 6.16、吸附剂用量2.0 g、初始染料浓度117.5 mg/L,预测最大去除效率87.33%。验证实验(三次重复)平均去除效率86.88%,与预测值接近,证实优化可靠。
**3.5 吸附等温线研究**
在300 K、315 K、330 K下进行等温线实验,拟合Langmuir、Freundlich和Temkin模型。Langmuir模型R
2最接近1(0.999–1.000),表明单层均匀吸附,最大吸附容量(q
m)随温度升高从164.01 mg/g增至168.86 mg/g。分离因子R
L值在0.415–0.531之间,表明吸附有利。
**3.6 吸附动力学研究**
采用伪一级(PFO)、伪二级(PSO)、Elovich和颗粒内扩散模型拟合不同初始浓度下的动力学数据。PSO模型R
2最高(>0.998),表明吸附受化学吸附限速,涉及电子共享或交换。颗粒内扩散图显示多段线性,表明边界层扩散也参与其中。
**3.7 吸附热力学研究**
在300–330 K范围内计算热力学参数:ΔG°为负值(-5.14至-6.39 kJ/mol),表明自发过程;ΔH° = -7.36 kJ/mol,表明放热吸附;ΔS° = 4.20 J/(mol·K),表明固液界面混乱度增加。
**总结与讨论**
研究人员在讨论部分将GO@CS-HAp与其他吸附剂(如生物质、活性炭、改性材料)进行比较,发现该复合吸附剂在中性pH(6.16)下即能有效去除酸性黄17,而多数文献报道的吸附剂需要在强酸性(pH 2)条件下才能高效工作,这凸显了GO@CS-HAp在实际应用中的优势,因为无需额外pH调节。此外,尽管其吸附容量(165.77 mg/g)低于某些高度功能化碳材料,但整体性能平衡,且吸附机理明确(Langmuir等温线、PSO动力学),操作条件温和。关于再生潜力,研究人员基于文献推论,由于吸附主要由静电作用、氢键和离子交换等可逆过程驱动,且类似材料(如磁性HAp、壳聚糖基吸附剂、GO复合物)在多次循环后仍保持较高效率,因此GO@CS-HAp可能具有良好的再生性能,但需实验验证。
**结论翻译**:本研究成功合成了一种用于处理酸性黄17染料的复合吸附剂(GO@CS-HAp)。HAp、CS和GO分别被合成并表征,确认了它们各自独特的物理化学性质,这些性质共同促进了复合材料的吸附性能。结构、形态和化学分析突出了复合材料的特征,这些特征是其染料去除性能的核心。GO@CS-HAp复合吸附剂结合了其前驱体的结构和化学特性,如FTIR在3200、2992.91、2725、2530、1630和1450 cm
-1处的谱带所示。这些谱带与OH、NH
2、C-H和C=O官能团相关,通过氢键、静电相互作用和π-π堆叠等机制促进染料吸附。XRD分析证实了HAp的晶面(002、210、211、112、300、202、130、222、213、231)、半结晶CS以及GO被破坏的六方晶格均保留在复合材料中,表明成功整合。N
2吸附测量显示比表面积为66.13 m
2/g,孔径为1.453 nm,孔容为0.0268 cm
3/g。这种组合增强了吸附质的扩散并提供了可接近的活性位点,从而解释了相比单独前驱体更高的染料去除效率。
吸附过程受多种变量影响,包括接触时间、溶液pH、吸附剂用量和初始染料浓度。使用机器学习工具,特别是人工神经网络(ANN),能够可靠地预测这些过程变量对染料去除效率的影响,从而支持过程优化。ANN模型具有高决定系数(R
2 = 0.9980)、低均方误差(0.1169)和均方根误差(0.3419),表现出优异的预测精度。ANN模型的性能支持其适用于模拟具有多变量相互作用的吸附系统。将ANN与遗传算法结合,实现了过程的有效全局优化,在最佳条件下(接触时间52.5 min、pH 6.16、吸附剂用量2.0 g、染料浓度117.5 mg/L)获得最大染料去除效率87.33%。
平衡研究表明,吸附行为最适合用Langmuir等温线描述,而动力学建模显示伪二级模型是最合适的机制。此外,热力学评估证实了一个自发且可行的吸附过程(ΔG° = -6.39至-5.14 kJ/mol),该过程也是放热的(ΔH° = -7.36 kJ/mol)。
本研究侧重于在实验室规模下评估GO@CS-HAp复合吸附剂在受控条件下从水溶液中去除酸性黄17的性能。在实际废水场景中,吸附特性可能受到竞争离子、复杂基质和不同物理化学性质等因素的影响。因此,研究该复合吸附剂在实际水和工业废水中的性能是未来研究的重要方向,以确定其在实际环境中的适用性和耐久性。此外,未来的研究将集中于评估GO@CS-HAp复合吸附剂的再生和重复利用潜力,以确定其长期操作稳定性和经济可行性。优化复合配方比例并纳入先进的混合机器学习-优化框架也为提高处理效率和可扩展性提供了有希望的机会。此外,通过进行连续流和柱研究来扩大吸附剂的应用将极大地提高其实用性。