《Journal of Environmental Chemical Engineering》:Data-driven machine learning framework for predicting dyes adsorption performance on modified chitosan
编辑推荐:
Biming Liu|Zijie Zhang|Shuang Dai|Zihan Liu|Fanchao Xu|Peiwei Song|Guangyu Wu安徽工程技术大学能源与环境学院,中国马鞍山243002摘要壳聚糖基吸附剂在去除阴离子染料方面展现出巨大潜力。然而,现有研究大多
Biming Liu|Zijie Zhang|Shuang Dai|Zihan Liu|Fanchao Xu|Peiwei Song|Guangyu Wu
安徽工程技术大学能源与环境学院,中国马鞍山243002
摘要
壳聚糖基吸附剂在去除阴离子染料方面展现出巨大潜力。然而,现有研究大多聚焦于吸附系统中的单一吸附剂或染料,难以深入理解改性吸附剂的理化性质、操作条件与染料特性之间的关联。本研究构建了一个基于数据的机器学习框架,用于预测壳聚糖基吸附剂的染料吸附能力,并确定影响吸附性能的关键因素。研究团队整理了2010年至2025年间34篇文献中的2480组实验数据,涵盖了多种改性壳聚糖吸附剂、不同类别的染料、溶液条件以及材料相关参数。研究系统评估了随机森林、XGB、LGBM、受生物启发的优化模型以及堆叠集成模型。其中,基于树的堆叠模型表现最佳,在测试集上的R2值为0.968,RMSE为0.058,且通过5折交叉验证进一步证明了其稳定性。SHAP分析显示,初始染料浓度是影响最大的因素,对模型输出贡献率为51.5%,其次是溶液pH值、接触时间、吸附剂用量以及脱乙酰度。该模型还揭示了具有机制意义的趋势:在酸性条件下,氨基的质子化会增强其与阴离子染料的静电吸引力;而吸附动力学表明,吸附过程分为快速表面吸附和受扩散控制的颗粒内吸附两个阶段。这项工作为壳聚糖基吸附剂的合理设计及工艺优化提供了可推广的预测工具和机制指导。
引言
随着工业化和经济的快速发展,染料制造业已成为推动经济增长的重要产业。但染色废水的排放已成为工业废水污染的主要来源,这类废水主要来自纺织、印染、皮革、食品加工以及印刷等行业[1]、[2]。在生产和使用过程中,废水通常含有难降解的有机污染物和色素,其色度往往比允许的排放标准高出500至500,000倍。此外,废水中的有毒有机化合物(如苯类衍生物、酚类以及卤代化合物)可能破坏水体的pH平衡[3]。这些物质一旦进入水生环境,不仅会阻碍水生生物的正常生长发育,还会危害人类的生殖系统和中枢神经系统[4]。传统的处理方法存在效率低、运行成本高以及可能造成二次污染等局限性[5]。因此,为保障生态环境和人类健康,开发高效且环保的染色废水处理技术仍是亟待解决的难题[6]。
吸附因其操作简单、成本低、去除效率高且无有毒副产物,被视为从废水中去除染料的最有效方法之一。目前,已有多种吸附剂被开发并广泛应用于废水处理领域,包括生物基材料、活性炭材料以及金属有机框架。其中,生物基材料具有多孔的三维结构,能够提供大量的吸附位点[7]。壳聚糖是一种典型的生物质材料,属于天然聚合物,来源于藻类、甲壳类动物、昆虫外壳以及高等植物细胞壁,其分子结构中含有丰富的氨基(-NH2)和羟基(-OH)功能团。这些丰富的表面功能团以及出色的化学活性,使得壳聚糖在染料吸附等应用中具有显著优势。此外,壳聚糖还具有优异的生物相容性、可生物降解性以及抗菌活性,能够与多种生物分子形成强相互作用[8]。不过,其理化性质对环境因素(如pH值和水溶性)极为敏感,这限制了其在实际废水处理中的大规模应用。因此,有必要通过改性策略来获得高性能的壳聚糖基吸附剂。
由于壳聚糖含有大量的-OH和-NH2功能团,相较于其他多糖更易于进行改性。常见的化学改性方法包括使用戊二醛、乙二胺四乙酸或环氧氯丙烷与二乙三胺五乙酸作为交联剂,这些试剂会与主链上的-OH或-NH2基团发生反应,形成交联的聚合物网络。此外,壳聚糖还可以与纤维素、石墨烯、Fe3O4以及海藻酸钠等其他材料结合,以提高其分离性能和机械强度[9]。物理改性方法则主要包括通过电纺丝、冷冻干燥等技术改变壳聚糖基材料的内部结构,这种方法能够有效加速吸附过程,缩短吸附平衡时间,进而实现快速分离[10]。此类改性还能提升材料的比表面积和稳定性,从而提高其对染料的吸附能力[11]。随后,人们通常会研究pH值、接触时间、初始浓度以及温度等各种因素对吸附效果的影响。但目前关于改性壳聚糖吸附系统的研究仍主要以传统吸附实验为主。而传统的吸附等温线模型(如朗缪尔模型、弗伦德利希模型和特姆金模型)不仅需要大量的实验工作以及耗时的优化过程,其预测能力也较为有限。因此,开发基于数据的预测方法,以更精准地预测改性壳聚糖的染料吸附能力,显得十分必要[12]。
近年来,机器学习技术的飞速发展为吸附过程的建模与预测带来了新的机遇。凭借其在非线性关系建模、特征提取以及预测分析方面的强大能力,机器学习能够利用大规模实验数据建立改性参数与吸附性能之间的关联[13]。目前已有多种机器学习模型被开发出来,这些模型以操作条件、吸附剂性质以及染料特性作为输入变量,用于预测吸附性能。不过,目前针对壳聚糖基材料用于染料吸附的机器学习研究范围仍然有限。例如,Shukla等人仅研究了单一种类的交联壳聚糖-活性炭复合材料对亚甲基蓝的吸附作用,而Zaferani等人则只优化了特定的TiO2壳聚糖-聚丙烯酰胺复合体系。这类研究通常受到数据量少、特征覆盖范围窄,以及未能充分运用集成建模和可解释性技术等因素的限制,从而导致模型的泛化能力和机制洞察力不足。为克服这些局限,本研究整合了过去十年间34篇高质量文献中的2480组实验数据,构建了一个内容丰富的综合数据集。该数据集涵盖了操作条件、吸附剂的理化性质以及染料特性等多种影响因素。
借助这一数据集,我们首先基于随机森林、极端梯度提升以及轻量级梯度提升算法建立了初步模型。随后,又采用了堆叠集成模型以及粒子群优化、遗传算法和蚁群优化等超参数优化方法,进一步提升了预测性能。通过对比多种模型,最终确定了最优模型。最后,通过特征重要性分析以及SHapley加性解释值可视化技术,阐明了影响改性壳聚糖吸附染料的关键因素。在现有研究和模型的基础上,本研究分析了壳聚糖在染料吸附过程中的作用机制及其影响因素。该研究构建了一种具有高度泛化能力的堆叠集成模型,可用于预测壳聚糖基材料对染料的吸附能力。通过将大量实验数据与先进的机器学习技术相结合,该模型不仅提供了精准的预测工具,还为高性能壳聚糖基吸附剂的合理设计及优化提供了基于数据的指导。
章节节选
数据收集与构成
本研究的数据来源于2010年至2025年间Web of Science、ScienceDirect以及Google Scholar数据库中的相关文献。研究采用了关键词组合搜索策略,搜索关键词包括“壳聚糖吸附”“染料去除”“改性壳聚糖”以及“机器学习”。由于无关或质量低下的数据可能导致模型欠拟合或过拟合,进而影响模型的可靠性及机制解读,因此数据集的质量至关重要
数据统计与相关性分析
机器学习模型的泛化能力在很大程度上取决于训练数据集的质量和多样性。本研究整合的2480组实验数据涵盖了不同结构的吸附剂以及不同的操作条件。目标变量q在数据集中的变化幅度较大,经过归一化处理后,其数值范围在0到0.491之间。这种较大的数值分布范围不仅提升了模型学习不同吸附特性的能力
结论
本研究通过将机器学习算法与大规模吸附实验数据相结合,成功构建了一种高精度的预测模型,用于预测壳聚糖基吸附剂的染料吸附性能。在对比了多种单一算法、超参数优化算法以及集成学习策略之后,基于树的堆叠集成模型展现出了最佳的预测性能,其R2值为0.968,RMSE为0.058,性能远优于其他模型
CRediT作者贡献说明
Guangyu Wu:可视化、软件开发。Peiwei Song:可视化、研究指导。Fanchao Xu:研究指导、资源提供。Zihan Liu:资源提供、方法设计。Shuang Dai:项目管理、方法设计。Zijie Zhang:实验研究、定量分析。Biming Liu:论文撰写与修改、初始草稿撰写、方法设计、资金申请。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了“安徽工程技术大学科学研究基金”的资助(项目编号:DT2300001691)。