《Journal of Hazardous Materials Advances》:Hyper-Branched Dendrimer-Modified Magnetic Nanoparticles for Removal of an Anionic Dye from Water Samples: Response Surface Methodology and Artificial Neural Network Modeling
工业废水中毒性染料的存在持续构成环境挑战,亟需开发高效且可回收的吸附剂。本研究提出一种新型、可磁力回收的纳米吸附剂,用于去除废水中的活性红33(RR33)。通过将超支化树枝状大分子(均苯三甲酸/乙二胺)接枝到硅烷化磁性纳米颗粒上,所得结构提供了丰富的活性位点,确保了优异的染料吸附容量和快速的磁分离。合成的材料采用振动样品磁强计(VSM)、热重分析(TGA)、布鲁诺-埃米特-特勒-巴雷特-乔伊纳-哈伦达(BET-BJH)、傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)、场发射扫描电子显微镜(FE-SEM)和透射电子显微镜(TEM)技术进行表征。采用基于中心复合设计(CCD)的响应面法(RSM)以及结合前馈反向传播学习的人工神经网络(ANN),评估输入参数——即pH、接触时间和吸附剂用量对染料去除效率的影响。在pH 3、接触时间60分钟和吸附剂用量0.015 g的条件下,获得了91%的最佳去除效率。莱文贝格-马夸尔特(LM)算法比缩放共轭梯度(SCG)方法产生更好的结果,实现了更低的均方误差和更优的预测性能。建模研究表明,RR33的吸附是一个有利的放热过程,符合准二级动力学和朗缪尔等温线,表明在吸附剂表面形成单层覆盖。纳米吸附剂在至少六个吸附-脱附循环中保持稳定的性能。此外,其适用性在加标工业废水(10–40 mg L–1)中得到验证,在优化条件下实现了49–85%的RR33去除效率。该纳米吸附剂在水处理中显示出用于高效去除阴离子染料的巨大潜力。
本研究针对工业废水中合成染料(特别是阴离子偶氮染料)污染带来的环境挑战,开发高效、可回收的吸附剂成为迫切需求。研究人员以活性红33(RR33)为目标污染物,设计并合成了超支化树枝状大分子修饰的磁性纳米吸附剂Fe
3O
4@APTES@TEP-G4,通过引入均苯三甲酸(TMA)和乙二胺(EDA)构建高密度活性位点,并利用Fe
3O
4核实现快速磁分离。研究采用响应面法(RSM)中的中心复合设计(CCD)和人工神经网络(ANN)对pH、接触时间和吸附剂用量进行优化,并系统评估了吸附动力学、等温线、热力学以及实际工业废水中的应用潜力。论文发表在《Journal of Hazardous Materials Advances》。研究结果表明,该纳米吸附剂在pH 3、接触时间60分钟、吸附剂用量0.015 g条件下对RR33的去除效率达91%,吸附过程符合准二级动力学和Langmuir等温模型,为自发放热过程,且经六次循环后仍保持良好可再生性,在阴离子染料废水处理中具有显著应用前景。
主要关键的技术方法包括:(1)采用共沉淀法合成Fe
3O
4纳米颗粒,随后用(3-氨基丙基)三乙氧基硅烷(APTES)进行硅烷化修饰获得Fe
3O
4@APTES;(2)通过逐步接枝TMA和EDA在Fe
3O
4@APTES表面生长超支化树枝状大分子,最终引入对苯二胺(PPD)得到第四代产物Fe
3O
4@APTES@TEP-G4;(3)利用振动样品磁强计(VSM)、热重分析(TGA)、布鲁诺-埃米特-特勒(BET)比表面积分析、傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)、场发射扫描电子显微镜(FE-SEM)和透射电子显微镜(TEM)对材料进行表征;(4)采用中心复合设计(CCD)的响应面法(RSM)和基于前馈反向传播算法的人工神经网络(ANN)对去除过程进行建模与优化;(5)工业废水样本来自一家制造工厂,经预处理后用于实际样品测试。
**表征结果**:通过振动样品磁强计(VSM)分析,Fe
3O
4@APTES@TEP-G4的饱和磁化强度(M
s)为42 emu g
–1,低于裸Fe
3O
4纳米颗粒的79 emu g
–1,表明有机层成功包覆。热重分析(TGA)显示,Fe
3O
4@APTES@TEP-G4的总失重为19%,高于裸Fe
3O
4的3%,证实树枝状大分子层的存在。氮气吸附-脱附等温线(BET-BJH)表明,树枝状大分子接枝后比表面积从12.94 m
2 g
–1增至43.75 m
2 g
–1,孔体积从0.11 cm
3 g
–1增至0.23 cm
3 g
–1,平均孔径由34.74 nm降至20.93 nm。傅里叶变换红外光谱(FTIR)确认了Fe
3O
4、APTES、TMA、EDA和PPD的特征峰,并在染料负载后观察到RR33的吸附特征峰。X射线衍射(XRD)分析表明,所有样品均保持Fe
3O
4的立方尖晶石结构,且再生后晶体结构稳定;利用Scherrer方程计算得Fe
3O
4@APTES@TEP-G4的平均晶粒尺寸为14.2 nm。场发射扫描电子显微镜(FE-SEM)和透射电子显微镜(TEM)图像显示,纳米颗粒呈球形,平均粒径约50 nm,并呈现明显的核壳结构。
**RSM-CCD优化结果**:通过方差分析(ANOVA)验证模型显著(F值39.52,p < 0.0001),决定系数R
2 = 0.9780,调整R
2 = 0.9533,预测R
2 = 0.8723,失拟项不显著(p = 0.89)。三个主效应(pH、接触时间、吸附剂用量)均显著,交互项AC(pH与吸附剂用量)显著。最终回归模型显示最佳条件为pH = 3.02、接触时间 = 69.16 min、吸附剂用量 = 0.013 g,预测去除效率91%,实验验证值为90.87%,偏差小于0.5%。
**ANN建模结果**:采用前馈反向传播网络(FFBP-NN),比较莱文贝格-马夸尔特(LM)算法与缩放共轭梯度(SCG)算法。LM算法的最优架构为3层隐藏层、每层8个神经元,均方误差(MSE)= 0.34;SCG算法的最优架构为2层隐藏层、每层6个神经元,MSE = 0.61。LM算法在训练、验证和测试集中均获得较高的R
2值(分别为0.9938、0.9994、0.9961),整体R
2 = 0.9920;SCG算法对应R
2为0.9980、0.9997、0.9905,整体R
2 = 0.9903。LM算法的训练曲线在第2个epoch后MSE稳定下降,表明学习效率高且未过拟合。误差函数(ARE、HYBRID、χ
2)比较表明,ANN-LM模型(ARE = 0.680,χ
2 = 0.919,R
2 = 0.984)优于RSM模型(ARE = 0.683,χ
2 = 1.748,R
2 = 0.972),显示出更优的预测能力。
**等电点(pHpzc)测定结果**:Fe
3O
4@APTES@TEP-G4的pHpzc为5.7。低于此pH时,表面带正电,有利于阴离子染料的静电吸引;高于此pH时,表面带负电,产生排斥导致吸附效率下降。
**吸附动力学研究结果**:通过非线性拟合四种动力学模型,准二级动力学模型具有最高的R
2(0.9999)和最低的RMSE(0.0818),表明化学吸附为速率控制步骤。
**吸附等温线研究结果**:Langmuir模型拟合效果最佳(R
2 > 0.999),单层最大吸附容量q
max在298 K时为32.371 mg g
–1,且随温度升高而降低,表明吸附为放热过程。Freundlich指数n > 1支持有利吸附,Dubinin-Radushkevich模型计算的吸附能E < 8 kJ mol
–1表明以物理吸附为主。
**吸附热力学研究结果**:ΔG°为-44.32至-45.60 kJ mol
–1,ΔH° = -25.25 kJ mol
–1,ΔS° = 64.00 J mol
–1 K
–1,证实吸附为自发、放热过程,且固液界面混乱度增加。
**离子强度影响结果**:随着MgCl
2、KNO
3、Na
2SO
4浓度从0.01增至0.4 mol L
–1,RR33去除效率下降,Na
2SO
4的抑制作用最强。原因是高离子强度屏蔽了静电吸引力,且二价阴离子竞争活性位点更激烈。
**可循环性结果**:经过六个吸附-脱附循环后,去除效率从95%降至48%,前三次循环后仍保持77%以上,表明吸附剂具有良好的稳定性和一定的可重复使用性。
**实际样品应用结果**:在工业废水加标实验中,RR33浓度为10、20、40 mg L
–1时,去除效率分别为85.3%、76.3%、48.6%,低于蒸馏水中的94.1%、90.2%、57.7%。相对标准偏差(RSD)为2.5%–5.6%,表明测量重现性良好。
**吸附机理**:RR33在Fe
3O
4@APTES@TEP-G4上的吸附涉及多重作用:静电吸引(质子化胺基与磺酸根)、氢键(羟基/胺基与染料中电负性原子)、π-π堆积(TMA和PPD的芳香环与染料芳香骨架)、n-π相互作用(羧基氧孤对电子与染料π体系)以及Fe-π配位(Fe
2+/Fe
3+与染料π体系)。这种协同作用赋予吸附剂高容量。
**与其他吸附剂比较**:Fe
3O
4@APTES@TEP-G4对RR33的q
max为32.27 mg g
–1,优于多种文献报道的吸附剂,如生物硅/壳聚糖纳米复合材料(25.84 mg g
–1)、氨基酸功能化Fe
3O
4(10.44 mg g
–1)等,归因于超支化树枝状大分子提供的高密度活性位点和多孔结构。
**结论翻译**:在本研究中,制备并充分表征了一种新型核壳吸附剂Fe
3O
4@APTES@TEP-G4,用于从水溶液中去除阴离子染料。以RR33作为污染物代表评估去除效率。表征分析证实成功制备了均匀球形纳米颗粒,具有43.75 m
2 g
–1的显著比表面积、约50 nm的平均粒径以及42 emu g
–1的饱和磁化强度(M
s)。从RSM-CCD优化得出的结果表明,在初始pH 3.02、接触时间69.16 min和吸附剂用量0.013 g条件下,RR33去除效率达到91.20%。该实验值与模型预测值之间的偏差小于0.5%,从而验证了所建立二次回归模型的实际有效性和预测可靠性。此外,使用ANN建立了去除性能预测模型。在此框架内,采用LM方法训练的前馈反向传播神经网络(FFBP-NN)比使用SCG方法展现出显著更高的预测精度。动力学和平衡分析表明,准二级动力学和Langmuir模型最能描述RR33染料的吸附行为。热力学参数进一步证实去除过程为自发放热过程,由负的吉布斯自由能值(ΔG° = ?44.32至?45.60 kJ mol
?1)、负的焓变(ΔH° = ?25.25 kJ mol
?1)和正的熵变(ΔS° = 64 J mol
?1 K
?1)所证明。比较评估显示,虽然RSM和ANN-LM模型都实现了相当的RMSE和χ2值,但ANN-LM模型表现出更优的预测准确性。这由其显著较低的ARE、HYBRID和较高的R2所证实,表明相对偏差更小、整体拟合更好。因此,ANN-LM方法成为更可靠和更优选的模型,用于准确描述输入参数与实验结果之间的关系。此外,Fe
3O
4@APTES@TEP-G4即使在六个循环后仍表现出良好的可重复使用性和再生能力。总之,研究结果表明,Fe
3O
4@APTES@TEP-G4作为一种有效、稳定且可回收的纳米吸附剂,在去除水环境中的阴离子染料污染物方面具有广阔前景。