数据驱动的替代模型用于工业放大填充床柱去除Pb(II)(利用残余生物质)

《Environments》:Data-Driven Surrogate Modelling for Industrial Scale-Up of Packed Bed Columns Using Residual Biomass for Pb(II) Removal

【字体: 大 中 小 】 时间:2026年07月01日 来源:Environments 4.3

编辑推荐:

  Pb(II) 是一种潜在有毒元素,可引起呼吸、消化和神经系统问题,并可能致癌。大多数研究主要在实验室进行,因此需要找到预测大规模性能的方法。基于此,本研究的目的是利用 Aspen Adsorption 软件,模拟以薯蓣(Dioscorea rotundata)

  
Pb(II) 是一种潜在有毒元素,可引起呼吸、消化和神经系统问题,并可能致癌。大多数研究主要在实验室进行,因此需要找到预测大规模性能的方法。基于此,本研究的目的是利用 Aspen Adsorption 软件,模拟以薯蓣(Dioscorea rotundata)基生物质为吸附剂的工业规模填充吸附柱去除 Pb(II)。为此,研究人员进行了参数分析,结合朗缪尔(Langmuir)和弗罗因德利希(Freundlich)等温线以及线性驱动力(LDF)动力学,评估了不同操作条件下床层的性能。Freundlich–LDF 模型和 Langmuir–LDF 模型均观察到高达 92.4% 的去除效率。此外,研究人员将机器学习(ML)算法与统计指标(R2、均方根误差 RMSE)相结合,分析模型的有效性。在验证和测试阶段,R2 值高达 0.999。本研究展示了一种新颖的方法,即利用计算工具结合机器学习算法,预测有机废弃物衍生生物质填充吸附柱在工程领域的潜在性能。
论文解读文章

**研究背景与科学问题**
水体中重金属污染是全球最严峻的环境问题之一,铅(Pb(II))作为典型有毒金属,可损害呼吸、消化及神经系统,并具有致癌性。传统吸附技术虽在实验室规模下对农业废弃物基吸附剂(如薯蓣生物质)展现出高效去除能力,但缺乏工业放大预测手段,限制了实际应用。现有研究多集中于小规模实验,无法直接指导大规模固定床柱的设计与优化。因此,亟需一种能够快速、准确预测工业级吸附柱性能的方法,以降低实验成本与时间,推动吸附技术从实验室走向工程实践。

**研究内容与核心结论**
本研究利用 Aspen Adsorption 软件模拟工业规模填充床柱,以薯蓣(Dioscorea rotundata)基生物质吸附剂去除水中 Pb(II),并集成机器学习(ML)构建替代模型(Surrogate Model)。通过参数分析揭示入口流速(Q)与床层高度(h)对穿透时间(BT)、饱和时间(ST)及去除效率的影响;对比 Freundlich–LDF 与 Langmuir–LDF 两种等温线-动力学组合模型的预测效果;最终将模拟结果导出至 Simulink 构建数字孪生系统。结果表明:两种模型均能实现最高 92.4% 的去除效率;ML 模型(尤其是高斯过程回归 GPR)在验证与测试阶段 R2 高达 0.999,准确复现了 Aspen Adsorption 的模拟输出;SHAP 分析显示流速对系统性能影响最大,其次为床层高度与模型类型。该研究发表于《Environments》,为工业级吸附系统的数字化设计提供了可行框架。

**关键技术方法**
研究人员主要采用以下核心方法:
1. **工业模拟软件**:使用 Aspen Adsorption V11 构建填充床柱模型,设定 Pb(II) 为目标污染物,选用电解质非随机双液(ELECNRTL)热力学包,并根据文献确定固定床参数(床高 1–5 m、入口流速 100–300 m3/day)。
2. **参数敏感性分析**:单独改变床高(固定流速 250 m3/day)或流速(固定床高 3 m),评估其对 BT、ST 和去除效率的影响。
3. **机器学习建模**:利用 MATLAB R2024b 的 Regression Learner 工具,从模拟生成的 70 组数据中训练 28 种 ML 算法(包括线性回归、决策树、支持向量机、集成模型及高斯过程回归 GPR 等),以流速、床高、模型类型为预测变量,以 BT、ST 和效率为响应变量,并采用 5 折交叉验证与测试集评估性能。
4. **模型解释与集成**:采用 SHAP(Shapley Additive Explanations)分析特征重要性;将最优 GPR 模型导出至 Simulink 构建实时数字系统。

**研究结果**
**3.1 入口流速变化的敏感性分析**
通过固定床高(3 m)、改变流速(100–300 m3/day)发现:增大流速可提高去除效率(最高达 92.4%),但缩短了 BT 和 ST。穿透曲线呈陡峭形,尾效应弱,表明传质区窄、颗粒内扩散阻力低。Freundlich–LDF 与 Langmuir–LDF 模型表现相似,均能有效描述流出浓度随时间的变化。

**3.2 床层高度变化的敏感性分析**
固定流速(250 m3/day)、改变床高(1–5 m)显示:增加床高可延长 BT 和 ST,但去除效率略有下降(因更多活性位点延迟饱和)。穿透曲线仍保持尖锐的 S 形,且尾效应不显著,再次证实传质效率高。两种等温线模型均产出一致趋势,验证了床高对过程时间的决定性影响。

**3.3 机器学习实施**
对 28 种 ML 算法进行训练与比较:
- 多数算法(如树模型、二次支持向量机 SVM)对 BT、ST 和效率的 R2 低于 0.8,拟合能力有限。
- 高斯过程回归(GPR)在验证与测试阶段对所有响应变量均达到 R2 > 0.99(最高 0.999),RMSE 最低,证实最佳预测性能。
- 预测值与真实值散点图显示两者高度吻合,无过拟合迹象。
- SHAP 分析表明:流速(Q)是影响 BT、ST 和效率的最关键变量,其次为床高(h),模型类型影响最小。
- 训练时间方面:BT 模型耗时较长(>10 s),效率模型最快(<5 s);预测速度上,BT 模型最快(>4000 obs/sec),效率模型最慢(<1000 obs/sec)。
- 将训练好的 GPR 模型导出至 Simulink 构建数字孪生系统,其输出与 Aspen Adsorption 模拟结果一致,实现了替代模型的功能验证。

**总结与讨论**
本研究通过综合运用 Aspen Adsorption 参数分析、机器学习及 Simulink 集成,成功构建了工业级 Pb(II) 吸附过程的替代模型。该方法不仅降低了全尺寸实验的成本与时间,还提供了高精度预测(R2 ≈ 1),为吸附系统设计提供了可靠工具。讨论指出:
- 流量与床高是控制吸附柱性能的关键操作参数,与实际物理规律相符。
- GPR 算法因其概率非参数特性,在小样本(70 组数据)下仍能捕获复杂非线性关系,优于其他传统 ML 模型。
- 替代模型输出与模拟数据高度一致,证实了数字化替代方法在工程放大中的潜力。
- 当前研究为探索性阶段,未来需开展实验验证及技术经济评估,以推进工程应用。

**研究结论**
本研究作为探索性研究,展示了填充薯蓣生物质吸附剂的水柱去除 Pb(II) 的潜在性能。仿真数据为全尺度条件下系统性能的趋势分析与假设制定提供了有价值信息。参数分析突出了流量与床高变化对系统性能的影响:较高的柱会延长饱和所需时间,而较高的流量则提升过程性能,表明这些变量的适当选择对系统建模与运行至关重要。此外,利用机器学习算法开发验证与测试阶段,高效评估模型性能,获得了高达 0.99 的 R2 值,为机器学习技术复现分析过程的可操作性奠定了基础。Aspen Adsorption 与 ML 算法的结合是吸附过程设计与优化的卓越工具,通过将系统性能预测与 ML 集成,改善了场景评估,调整基本变量以增强模型预测能力。同样,将结果导出至 Simulink 可基于训练模型构建数字系统。这种替代建模的实施创建了一个更简单的模型,近似了更复杂系统的性能。未来将进行技术经济评估以确定过程的可行性与可持续性,并扩展当前方法至实验验证,从而使探索性模拟阶段过渡到更稳定、有依据且经实验支持的阶段,进而设计并优化吸附系统。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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