《Environmental Pollutants and Bioavailability》:Machine learning-driven optimizations of phosphate removal using agricultural waste-based adsorbents: integrating RFR–RSM, ANN–CCD, GPR–BBD, and SVR–TOA models for enhanced adsorbent efficiency with agro-based adsorbents
编辑推荐:
由富营养化引起的磷酸盐污染持续破坏水生生态系统。本研究利用稻壳和椰壳开发了农业生物质吸附剂,并通过集成机器学习(ML)和实验设计方法优化了磷酸盐去除。应用了随机森林-响应面法(Random Forest–RSM)、人工神经网络-中心复合设计(ANN–CCD)、
由富营养化引起的磷酸盐污染持续破坏水生生态系统。本研究利用稻壳和椰壳开发了农业生物质吸附剂,并通过集成机器学习(ML)和实验设计方法优化了磷酸盐去除。应用了随机森林-响应面法(Random Forest–RSM)、人工神经网络-中心复合设计(ANN–CCD)、高斯过程回归-Box–Behnken设计(GPR–BBD)和支持向量回归-Taguchi正交阵列(SVR–TOA)模型,以考察pH(3–9)、温度(20–60 °C)、吸附剂用量(0.5–5 g/L)和初始磷酸盐浓度(10–100 mg/L)的非线性效应。在优化条件下,该集成模型实现了93%的磷酸盐去除率和50 mg/g的吸附容量。ANN–CCD获得了最高的吸附容量,而GPR–BBD将预测不确定性量化在±2%以内。与传统优化相比,去除效率提高了6%–8%,吸附容量提升了7–10 mg/g。所提出的框架减少了实验次数,并支持使用农基吸附剂进行可规模化、可持续的磷酸盐去除。
本论文解读基于《Environmental Pollutants and Bioavailability》上发表的此项研究。研究背景方面,磷酸盐污染因农业径流和废水排放导致水体富营养化,严重威胁水生生态系统。传统去除方法(如化学沉淀、生物处理)在成本、可扩展性和处理复杂非线性变量相互作用方面存在局限。农业废弃物基吸附剂(如稻壳、椰壳)虽具有低成本、环境友好等优势,但其吸附性能受pH、温度、吸附剂用量、初始浓度等多因素的非线性耦合影响,传统实验优化方法耗时且难以捕获完全交互作用。因此,研究人员旨在开发一种集成机器学习(ML)模型与实验设计(DOE)技术的框架,以数据高效的方式精准优化磷酸盐去除效率及吸附容量。
研究人员开展了以下工作:以稻壳和椰壳为原料,经磷酸化学活化和600°C热处理后制得农基吸附剂;系统改变pH(3–9)、温度(20–60°C)、吸附剂用量(0.5–5 g/L)及初始磷酸盐浓度(10–100 mg/L)等操作参数;集成四种配对策略(随机森林回归-响应面法RFR–RSM、人工神经网络-中心复合设计ANN–CCD、高斯过程回归-Box–Behnken设计GPR–BBD、支持向量回归-Taguchi正交阵列SVR–TOA)进行建模与优化。主要结论:在最佳条件下(吸附剂用量1.5 g/L、温度35°C),集成模型实现93%去除率和50 mg/g吸附容量;相比传统方法,去除效率提升6–8%,吸附容量增加7–10 mg/g。该工作的重要意义在于:提供了一个可缩减实验次数、可推广的可持续优化范式,为农基吸附剂的实际应用奠定了方法学基础。
关键技术方法(不超过250字):本研究采用了四种集成优化策略。RFR–RSM组合利用随机森林(RFR)捕获多变量非线性交互作用,再通过响应面法(RSM)拟合二次多项式模型以识别最优区域。ANN–CCD利用中心复合设计(CCD)生成含线性、二次及交互效应的均衡数据集(50次实验),用于训练前馈反向传播人工神经网络(ANN),其结构为输入层(6神经元)、两隐藏层(12和8神经元)及输出层,采用Sigmoid激活函数和Levenberg-Marquardt算法。GPR–BBD依托Box–Behnken设计(BBD)的30次实验,使用Matérn协方差函数的高斯过程回归(GPR)提供预测均值与不确定性区间。SVR–TOA结合Taguchi正交阵列(TOA)的16种条件组合与支持向量回归(SVR),采用径向基函数(RBF)核,重点优化鲁棒性。数据集由实验室实验(约60%,稻壳/椰壳吸附剂)和UCI机器学习库公开数据(约40%,含活性炭、改性生物炭等)组成,覆盖完整因子范围,经归一化后训练并用R
2、均方根误差(RMSE)和平均绝对误差(MAE)评估。
研究结果部分:
**3.4 Expanded results section with statistical performance metrics**:通过独立测试集评估,ANN–CCD获得最高预测精度(R
2=0.94,RMSE=2.6%,MAE=2.1%),尤其在强非线性交互区域表现突出;RFR–RSM的R
2=0.92,RMSE=3.1%;GPR–BBD的R
2=0.90,但能提供±2%–4%的预测不确定性区间;SVR–TOA的R
2=0.91,RMSE=3.0%,展现了良好的泛化鲁棒性。由此得出,ANN–CCD在精度上最优,GPR–BBD在不确定性量化上领先,SVR–TOA在操作条件变异下最稳健。
**5. Detailed results analysis**:系统比较了不同初始浓度、吸附剂用量、pH、温度、比表面积和接触时间下的去除性能。在所设条件下,集成模型的去除效率均超过90%,低温(20°C)时约89%,随温度升至50°C增至96%,表明吸附过程为吸热反应。在低吸附剂用量(0.5 g/L)时吸附容量仍达48 mg/g,优于对比方法(43 mg/g、40 mg/g、41 mg/g)。高比表面积(800 m
2/g)时去除率达97%,且GPR–BBD的不确定性区间控制在±2%内,证实了模型的可靠性与稳定性。
**6. Emphasis on main findings and their broader implications**:本研究明确展示了结构化实验设计与机器学习模型的结合能显著提升磷酸盐去除效率及吸附容量,同时大幅减少实验次数。通过系统处理复杂性、不确定性及鲁棒性三个核心挑战,该框架从“试错法”转向“预测驱动的数据高效设计”。该策略适用于其他具有类似非线性动力学且实验数据有限的吸附过程,为优化基于吸附的环境修复系统提供了通用方法论。
讨论部分结论:本研究证明将高性能机器学习模型与系统实验设计技术集成可有效优化农基吸附剂的磷酸盐去除。研究结论(翻译自第8节Conclusions and future scope):本研究展示了将高性能机器学习(ML)模型与系统性实验设计技术集成,以通过农基吸附剂优化磷酸盐去除的可行性和前景。通过将随机森林回归(RFR)与响应面法(RSM)、人工神经网络(ANN)与中心复合设计(CCD)、高斯过程回归(GPR)与Box–Behnken设计(BBD)以及支持向量回归(SVR)与Taguchi正交阵列(TOA)的配对,研究人员获得了同时优化吸附剂特性和工艺条件的集成框架。所提出的集成模型实现了平均93%的磷酸盐去除效率,高于现有方法[5](87%)、[12](85%)和[18](88%)。吸附容量也优化至50 mg/g,而上述方法的最高值分别为43 mg/g、40 mg/g和41 mg/g。该模型能有效捕获吸附剂特性(如比表面积和孔体积)与工艺条件(如pH、温度和接触时间)之间的复杂非线性关系,从而实现去除效率和吸附容量的同步优化。在吸附剂用量1.5 g/L、温度35°C时获得最高去除效率93%。GPR–BBD模型进一步突出了不确定性量化,在此案例中预测精度达到±2%的不确定性区间,这对增强磷酸盐去除过程的信心至关重要。经集成机器学习与实验设计技术优化的农基吸附剂,展示了其在实现高效、经济且可持续水处理工艺方面的巨大潜力。其中RFR–RSM和SVR–TOA等子模型显著提高了系统的最优性,特别是针对吸附剂颗粒大小及其对环境条件变化的鲁棒性等特定特征。