重金属污染是全球性的环境危机。其持久性、毒性以及生物累积效应对生态系统稳定性和公共健康安全构成了严重威胁[[1], [2], [3], [4]]。在此背景下,电化学检测技术因其高灵敏度、操作便捷性以及相对较低的成本,已成为环境重金属痕量分析的主流方法[[5], [6], [7], [8], [9]]。然而,传统的电化学传感器主要依赖“一种材料对应一种离子”的特定识别机制[[10], [11], [12], [13], [14]]。这就导致其检测目标极为单一(通常只能检测如Pb2+、Cd2+或Hg2+这样的单一离子),无法满足在复杂现实污染环境中检测多种共存重金属离子的分析需求。这一根本性限制凸显出当前技术发展中的一个核心矛盾:材料的固有选择识别能力与环境系统的复杂性(以多离子共存和基质干扰为特征)之间存在难以逾越的差距。
为克服上述检测物种的限制,近期研究开始致力于开发具有广谱响应特性的新型传感材料。已有一些重要进展:例如,某些特定的微纳结构材料被设计出来,能够同时检测水中的三种目标离子(检测下限分别为Pb2+:<70?μM,Hg2+:<60?μM,Cd2+:<30?μM)[15]。比如,陈的团队利用带有功能基团的复合材料,显著提升了其对特定离子对的协同吸附-电催化性能。赵的团队则开发出了能够同时识别多种离子的复合电极[16,17]。此外,通过缺陷工程精确调控纳米片的电子结构,以增强对Pb2+和Hg2+离子的差分脉冲伏安响应,也取得了良好效果[18]。尽管这些材料层面的创新有效地拓展了可检测离子的范围,但由于缺乏对传感界面处多离子共存所引发的复杂相互作用机制的理解,这一技术的进一步发展和实际应用可靠性仍受到限制。
具体而言,在多离子共存的体系中,竞争性吸附、耦合的界面电子转移动力学以及双电层结构扰动等复杂相互作用,会导致传感器响应信号呈现出强烈的非线性叠加特性,而非理想的线性叠加关系[[19], [20], [21]]。现有的研究策略大多依赖于经验性的试错优化,缺乏基于通用微观相互作用模型的支持[22,23]。这就导致了在受控实验室条件下获得的优异检测结果与实际环境样品检测结果之间存在较大差距。这种“优先追求材料迭代而非深入理解机理”的研究模式,严重阻碍了同步检测技术向实际应用和高精度检测方向的转化。为解决上述关键科学难题,本研究设计了创新的材料结构——具有双重协同增强效应的Au@UiO-66-NH2纳米复合传感界面。这种复合材料有效解决了传统电极材料在低pH条件下活性成分溶解和失活的常见问题。
另一项创新在于基于机器学习的信号解耦机制:本研究引入了机器学习策略,构建了一个多维度数据分析模型,该模型整合了离子种类及其浓度信息,以及来自关键环境参数的干扰因素。该模型采用了结合了反向传播人工神经网络和径向基函数人工神经网络优点的人工神经网络架构,深入分析了复杂系统中目标信号与环境干扰信号之间的耦合规律[[24], [25], [26]]。这项研究首次定量揭示了pH值及不同离子类型对最终电化学响应电流的差异化调节作用,进而预测并确定了最佳的检测工作条件,同时通过机器学习缩短了参数优化时间。在机器学习的辅助下,研究并非取代实验,而是帮助筛选出最佳的实验条件。基于此,研究建立了一个高精度的(R2?>?0.98)预测模型,该模型将“离子种类-环境pH值-响应电流”三者联系起来。该模型输出的最优操作参数(最优pH值=4.0,最优富集电位=-1.4?V)显著提升了四种离子(Cd2+、Pb2+、Cu2+、Hg2+)的同步检测性能,其检测性能相比优化前提升了22.4倍,有效解决了多离子共存检测中的信号干扰和区分问题。