基于RSM与AI驱动吸附建模的Co2?智能预浓缩决策支持系统

《Engineering Science and Technology, an International Journal》:A smart decision support system for Co2+ preconcentration using RSM and AI-Driven adsorptive modeling

【字体: 大 中 小 】 时间:2026年04月01日 来源:Engineering Science and Technology, an International Journal 5.1

编辑推荐:

  基于人工智能的数值分析技术通过建立响应面法(Response Surface Methodology, RSM)模型优化水中Co2?预浓缩过程,从而推动工业4.0目标的实现。随后,研究人员采用多种机器学习技术以提升工艺效率。此外,传感器网络的设计基于与陈实体-

  
基于人工智能的数值分析技术通过建立响应面法(Response Surface Methodology, RSM)模型优化水中Co2?预浓缩过程,从而推动工业4.0目标的实现。随后,研究人员采用多种机器学习技术以提升工艺效率。此外,传感器网络的设计基于与陈实体-关系模型(Chen Entity-Relationship Model, Chen-ERM)集成的控制系统。该研究的主要创新点在于,通过结合RSM与机器学习技术,构建了用于Co2?吸附预浓缩过程的集成化决策支持系统(Decision Support System, DSS)。鉴于其卓越的吸附性能,磁化氧化石墨烯(magnetic Graphene Oxide, mGO)被选用为本研究的吸附材料。将氧化石墨烯与磁性纳米粒子相结合,可实现高效的离子回收,旨在提升其在环境及废水处理中的应用价值。研究结果表明,按显著性排序,系统pH、吸附时长和吸附剂质量是决定Co2?吸附回收率(%)的关键要素。实现最大工艺效率的最优条件为:pH 7、接触时间188 s、吸附剂质量1.6 mg mL?1。机器学习评估表明,自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)模型优于惰性学习技术,在吸附估算中达到了约95%的预测准确度。同样,Chen-ERM模型提升了水质监测系统的效率。
该研究发表于《Engineering Science and Technology, an International Journal》期刊,聚焦于水中Co2?的智能预浓缩技术,旨在将传统吸附工艺推向工业4.0导向的自动化与智能环境管理。

研究背景方面,Co2?作为电子、电池及航空航天等领域的关键原材料,其需求日益增长,但这也意味着工业废水中Co2?污染问题愈发严峻。Co2?常以可溶性盐形式存在于工业操作中,若处理不当将进入污水系统。尤其值得关注的是,锂离子电池材料如LiCoO?中含有Co,充放电循环过程中Co的释放可能造成含Co2?废水,这对电池行业提出了严格的环境安全管控要求。此外,Co2?在水体中的浓度往往极低,甚至低于原子吸收光谱法(Atomic Absorption Spectroscopy, AAS)等传统仪器的检测限,而低浓度Co2?的累积生物监测效应也不容忽视。因此,基于吸附的固相萃取(Solid Phase Extraction, SPE)预浓缩技术对于痕量Co2?的检测具有重要意义,该技术具有适应性极强、成本低廉、参数可调等突出优势。然而,当前吸附法废水处理的广泛应用受制于自动化程度不足和操作灵活性欠缺,mGO虽因其二维结构、高比表面积、丰富含氧官能团及磁分离特性而成为Co2?去除的理想材料,但现有mGO吸附系统多以静态或半手动方式运行,智能化改造空间巨大。

为开展此项研究,研究人员构建了融合历史数据分析(Historical Data Analysis, HDA)与RSM的优化分析框架,并开发了基于ANFIS及惰性学习算法(IBK、KStar、LWL)的智能预测系统,同时设计了基于Chen-ERM的智能Co2?离子测量控制系统。

研究主要结果包括以下三个部分。在"统计分析与优化"部分,研究人员采用Design Expert 7.0.0软件实现RSM方法,以吸附剂质量、溶液pH和萃取时间为自变量,回收率为响应变量,基于AlKinani等人的19组实验数据建立二次多项式模型。方差分析(Analysis of Variance, ANOVA)显示模型p值小于0.0001,极具统计学显著性;pH对系统性能影响最大(F值374.6),其次为时间(F值25.90)和质量(F值7.82)。通过双因素敏感性分析,确定了最优操作条件:pH约7–8、接触时间约188 s、吸附剂质量2.4–4.3 mg,可实现接近100%的回收率。机制分析表明,pH 3–9范围内Co2?为主要存在形态,pH<3时H?O?竞争抑制吸附,pH>5后静电引力促进吸附,pH 9–10时Co(OH)?形成导致吸附下降。

在"机器学习模型"部分,研究人员通过相关性分析、多元线性回归和方差分解进行预分析,Pareto图显示pH贡献率达83.5%,相关系数达0.83。ANFIS模型采用Sugeno推理方法和三个高斯-2隶属函数,训练500个epoch后误差从2.9降至2.1,训练R2达97%,测试R2达85%,加权平均预测准确度约94–95%。三维敏感性分析揭示pH与接触时间的交互模式最接近实际值,但质量>3.5 mg时模型预测受限。作为对比,惰性学习算法(IBK、KStar、LWL)的R2仅约37%–50%,RMSE显著高于ANFIS(3.8 vs. 5.84–6.84),性能差距达44.4%。

在"过程机制模型"部分,研究人员首次构建了基于Chen-ERM的Co2?吸附预浓缩概念控制系统。 vigorously。该系统以RSM优化输出为基础,集成pH传感器、计时器和在线称重输入,通过比较实测值与最优设定点,迭代调整反应时间、吸附剂质量和pH值,直至参数优化,最终预测吸附性能、回收率、检测时间和Co2?阈值合规性。RSM响应面图显示,pH 7–8存在宽阔的高回收率平台区,质量1.5–2.5 mg时90%回收率等值线覆盖广泛的短时间区域;质量>3.5 mg时高回收区收窄,需更长时间补偿。控制器核心规则为:维持pH 7–8、确保萃取时间≥180 s、避免不必要的质量增加、沿90–98%等值线平衡速度与试剂经济性。

研究讨论与结论部分指出,该研究的主要创新在于将RSM优化、ANFIS智能预测与Chen-ERM控制建模相集成,构建了从实验室优化到工业4.0自动化的完整框架。ANFIS模型展现出优异的预测性能,适合工业场景中基于在线pH和质量测量实现预浓缩性能预测。Chen-ERM框架为实时监测和自动化控制奠定了结构化基础。然而,研究也存在数据集规模有限、依赖模拟环境的局限性;实际应用中将面临水质参数波动、竞争离子干扰、传感器校准漂移、通信延迟及规模化成本等挑战。未来研究应聚焦于中试规模验证、实时传感器集成、云计算架构、物联网智能传感平台融合,以及深度学习等先进AI技术的引入,以增强系统的鲁棒性、可靠性、经济性和环境可持续性,推动智能重金属监测技术的实际部署。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号