人工神经网络与响应面方法在模拟和优化磷酸盐在稻草生物炭上的吸附作用方面的对比评估

《Journal of Environmental Management》:Comparative assessment of artificial neural network and response surface methodology for modeling and optimizing phosphate adsorption onto rice straw biochar

【字体: 大 中 小 】 时间:2026年07月17日 来源:Journal of Environmental Management 9.2

编辑推荐:

  Sheetal Kumari|Smriti Agarwal|Jyoti Chowdhry|Pinki Sharma|Manish Kumar|Ajay Kumar|Manoranjan Nayak|Manoj Chandra Garg 印度北方邦诺伊达高塔姆布德纳加尔125区

  Sheetal Kumari|Smriti Agarwal|Jyoti Chowdhry|Pinki Sharma|Manish Kumar|Ajay Kumar|Manoranjan Nayak|Manoj Chandra Garg
印度北方邦诺伊达高塔姆布德纳加尔125区,阿米提大学环境与可持续性学院气候变化与环境可持续性系,邮编201313

摘要
本研究探讨了稻草生物炭作为吸附剂去除废水中的磷酸盐的潜在应用。通过人工神经网络和响应面方法对吸附过程进行优化与建模。分析结果表明,该模型在精度、优化效果及实际应用性方面表现优异,有助于提升废水处理等复杂系统的决策水平与处理效率。人工神经网络的性能优于响应面方法,其R2值为0.9418,而响应面方法的R2值为0.9206;均方根误差分别为2.34和3.12。在最佳条件(pH值7.2,磷酸盐浓度19.7毫克/升,吸附剂量20毫克,温度31.6摄氏度)下,去除率可超过96.2%,最大吸附量可达168.0毫克/克。伪二级动力学模型(R2值为0.9948)和朗缪尔等温线模型(R2值为0.97)表明,此吸附过程属于以化学吸附为主的一层吸附机制。研究表明,将农业废弃物转化为生物炭可为废水处理提供可持续的循环经济解决方案,且稻草生物炭在去除废水中的磷酸盐方面具有巨大潜力。将其用于农业废弃物处理及废水资源回收,是一种可持续的解决途径。

引言
随着城市化和工业化的快速发展,环境问题日益严重,如何在经济发展与环境保护之间取得平衡成为研究热点(Baskar等人,2022;Kumari等人,2024c)。解决污染问题并满足排放标准是重要目标之一(Shakoor等人,2021;Vikrant等人,2018)。生物质产品来源广泛、价格低廉,常被用于制备环境管理所需的材料(Kumar等人,2023;Zhang等人,2022)。为实现与改善废水处理相关的可持续发展目标6,许多先进的废水处理技术已被深入研究(Abhishek等人,2023;Kumar和Kumar,2022)。这些技术的应用提升了各类废水中有机及无机污染物的去除效率,从而产生了大量可重复利用的水资源(Chowdhry等人,2025;Nidheesh等人,2024a、2024b)。

磷酸盐是一种含有“磷”的化合物,磷是动植物生长所必需的重要元素(Zhang等人,2023;Zhao等人,2023)。多种来源会向水中释放磷,包括化肥厂溢流物、生活污水、造纸业以及化工行业排放物(Kumari等人,2025c;B. Wang等人,2020)。已有研究表明,当地表水中的磷酸盐浓度超过0.02毫克/升时,会导致藻类大量繁殖,引发更严重的水华现象(Li等人,2016)。过高的磷酸盐浓度会促进水中藻类生长,打破生态平衡,导致水体富营养化。饮用水源中高浓度的磷酸盐不仅危害环境,还会直接或间接威胁人类健康。水中过量的磷与心血管疾病、肾脏损伤以及矿物质代谢紊乱有关(WHO,2011)。磷污染已成为水质管理领域的新关注点,建议对地表水及饮用水源的磷含量进行持续监测(WHO,2011)。此外,富营养化过程中藻类生物量的分解会产生蓝藻毒素,这类毒素会对人类和水生生物造成伤害,还会导致水体缺氧,进而危及水生生物及饮用水安全。因此,亟需开发经济有效的方法,将水生生态系统中的磷酸盐浓度控制在安全范围内,以避免水污染对环境和人类健康的严重危害(Lemley等人,2021;Li等人,2024)。

科学文献中已有多种处理技术被用于净化受污染的水和废水,包括电渗析(Kedwell等人,2021)、化学沉淀(Chen等人,2018;Rajaniemi等人,2021)、混凝(El mouhri等人,2024)以及吸附(Isgoren等人,2025;Kumari等人,2024a)(Anerao等人,2022;Fei和Hu,2022)。其中,吸附技术因操作简单、成本较低,且在低浓度下也能高效去除污染物,被视为处理含磷酸盐废水的一种极具优势的方法(Cuong Nguyen等人,2021;Sutar等人,2022)。不过,选择一种兼具高去除效率且价格合理的吸附剂至关重要(Kumari等人,2024f;B. Wang等人,2020)。近年来,人们开始利用各种废弃物——如生物废弃物(Gedam等人,2019;Kumari等人,2024f)、工业固体废弃物(如飞灰和红泥)(Liu等人,2018)以及矿物废弃物(Lima等人,2021)——来制备低成本吸附剂,从而实现对水中多种污染物的去除。此外,吸附剂的吸附性能还受其工作条件的影响(Kumari等人,2025e;Rose等人,2023)。这些工作条件包括磷酸盐浓度、溶液pH值、吸附剂用量以及温度等参数。通过人工神经网络和响应面方法,可将这些参数优化到最佳值(Belcaid和Ouarga,2025)。然而,目前所用的吸附剂存在诸多缺陷,如合成成本高、制备工艺复杂、吸附效率低、吸附效果不稳定,且再生能力不足(Liao等人,2023)。因此,亟需开发一种价格低廉、易于获取、高效且易于再生的吸附剂(Abhishek等人,2022;Ren等人,2021)。

近年来,人们越来越重视利用农业废弃物生产生物炭(Kumar等人,2020a;Lin等人,2024)。生物炭是一种碳含量极高的固体物质(Bolan等人,2022;Nidheesh等人,2024a、2024b)。它通常是通过热解法制成的,即将木材、泥炭及各类农产品等生物质在400至800摄氏度的高温下加热。目前,农业废弃物和工业副产品是作为吸附剂使用的最具经济价值的原料来源(Lu和Astruc,2020)。以往关于原始生物炭吸附磷酸盐的研究表明,生物炭表面的负电荷可能会降低磷酸盐的去除效率(Deng等人,2021)。尽管已有大量研究探讨了不同生物质来源的生物炭的特性,但针对稻草制成的生物炭在复杂环境条件下的磷酸盐吸附能力的研究仍相对较少(Kumari等人,2024)。此外,利用机器学习技术根据生物炭特性预测和优化磷酸盐去除效率的研究也仍处于初期阶段(Jyoti Chowdhry等人,2024)。这凸显出需要进一步结合生物炭特性与数据驱动方法开展研究。

近期已有研究证明,人工神经网络及其他机器学习技术可用于模拟废水中有重金属、染料及新兴污染物等多种有毒物质的吸附过程(Alharbi等人,2025;J Chowdhry等人,2024;Meftah等人,2025)。这些研究表明,与传统回归模型相比,基于人工神经网络的模型具有更强的预测能力,尤其是在吸附系统涉及多个变量且关系极为非线性时。由于稻草储量丰富、成本低廉且易于获取,因此被选作生物炭生产的主要原料(Dai等人,2020)。为满足不断增长的需求,水稻种植产生的稻草量极大,每年有600至1000公吨作为农业活动的副产品产生(Divband Hafshejani等人,2022)。过去十年间,农民大量焚烧稻草,导致农业领域排放的温室气体增加,进而形成严重的黑烟污染(Kumar等人,2021)。

本研究中的稻草样本采集自印度北方邦的稻米主产区,该地区约占印度总稻米产量的13%(Singh等人,2025)。该地区的稻草产量极高,大部分都在露天焚烧,这是印度北部空气污染的重要原因之一(Zaidi,2021)。将这类农业废弃物转化为生物炭,既能解决废弃物处理问题,又能改善废水处理状况,是该地区的一项有效解决方案。

通过在无氧环境下对稻草进行高温处理,可制得稻草生物炭。研究人员利用布鲁纳-埃米特-泰勒分析法、扫描电子显微镜以及傅里叶变换红外光谱等技术,对稻草生物炭的表面面积、孔结构及官能团等关键特性进行了分析(Goswami和Kumar,2018)。这些分析有助于了解稻草生物炭的表面孔隙结构、形态特征以及磷酸盐与其之间的相互作用机制,进而评估其吸附潜力(Jyoti Chowdhry等人,2024)。先前的研究也表明,稻草生物炭表面的官能团能够提升其表面反应性(Tomul等人,2020),而且这些官能团还可进一步优化,使其适用于多种应用场景,包括吸附作用(Chahal等人,2024;Vendra Singh等人,2020)。

尽管已取得一定进展,但目前相关研究中仍存在一些关键空白:首先,尚未系统比较人工神经网络与响应面方法在未经处理的稻草生物炭上去除磷酸盐方面的预测能力;其次,不同pH条件下表面官能团的机制作用尚未得到充分量化;最后,目前还没有将动力学模型、等温线模型与机器学习优化相结合的方法来全面分析稻草生物炭的吸附性能。在本研究中,选择响应面方法和人工神经网络,是为了弥补其他现有的机器学习及统计优化模型在废水处理建模方面的不足。响应面方法(通过CCD程序实现)是一种成熟的统计方法,可通过最少的实验次数同时优化多个工艺参数,其回归方程具有可解释性,还能通过严格的方差分析确定具有统计学意义的工艺参数及其相互作用(Montgomery,2017)。而人工神经网络则是一种数据驱动的机器学习模型,无需事先了解系统的物理原理,就能学习并表征高度非线性且复杂的输入输出关系,因此更适合用于处理输入输出关系复杂的系统(Legaard等人,2023)。在废水吸附处理研究中,已有大量证据表明,响应面方法可用于优化废水处理流程,而人工神经网络则可用于预测处理精度(Onu等人,2022a)。本研究的创新之处在于:首先,首次运用人工神经网络和响应面方法,系统比较了未经处理的稻草生物炭与经化学改性的生物炭在去除磷酸盐方面的能力;其次,将动力学模型、等温线模型、热力学机制分析与人工神经网络-响应面混合框架相结合,实现对四个工艺参数的同步优化;最后,未经处理的稻草生物炭在去除磷酸盐方面的能力与经过化学改性的生物炭相当,其最大吸附量可达168.0毫克/克。在本研究中,人工神经网络模型与响应面模型在相同的实验条件下运行,从而可直接对比两者的性能。

本研究旨在为利用未经处理的稻草生物炭进行磷酸盐吸附建立机制基础,并构建一套完善的人工神经网络-响应面对比分析框架。虽然通过镁、镧或铁等元素浸渍对生物炭进行化学或金属氧化物改性,已被证明可通过增加活性位点及改变表面电荷来提升其吸附能力,但这些改性方法会引入更多变量,使得难以明确将吸附行为归因于特定机制。这项研究指出,由于最佳的热解条件、FTIR检测到的天然表面官能团(–OH、–COOH、–NH2),以及BET分析确定的60.3?m2?g?1的表面积,未经改性的RSB具有较高的吸附能力(qmax?=?168.0?mg?g?1)。未来将进一步研究对RSB进行化学改性,以提高其去除磷酸盐的能力。

**吸附剂制备**
研究中的稻草采集自印度北方邦的稻田(北纬28.4961°,东经77.5361°),该地区是印度主要的稻米种植区。所有采集的稻草都经过了可见污染程度的检查,随后按以下步骤处理:首先用蒸馏水清洗稻草,以去除污物、灰尘和其他污染物,然后让其自然干燥一周;之后为避免残留水分,将清洗后的稻草在80°C下干燥约48小时。

**吸附等温线**
吸附等温线用于描述吸附的过程与特性,同时还能揭示吸附剂从水溶液中去除吸附质时的最大吸附容量(Ghanavati等人,2021)。在吸附过程中通常会运用弗伦德利希等温线和朗缪尔等温线模型(Nazir等人,2021),这些模型基于这样的理念:溶质会在多层层面上吸附在非均匀表面上(Kim等人,2018)。图3a和图3b展示了相关实验结果。

**结论**
正如RSM和ANN模型所预测的那样,通过软件优化后,磷酸盐的去除效率分别达到了96.9%和97.3%。RSB极高的磷酸盐吸附能力(qmax为168.0?mg?g?1),表明它对磷酸盐分子有很强的亲和力。最优的工艺参数为:pH值7.2,温度31.6°C,磷酸盐浓度19.7?mg?L?1,吸附剂添加量20?mg。在R2值方面,ANN模型的表现优于RSM,分别为0.9418和0.9206。

**伦理审批**
作者声明已遵守“作者指南”中的所有规定:该稿件未提交给其他期刊;研究内容为原创;研究结果均为真实、客观的总结。

**CRediT作者贡献说明**
Sheetal Kumari:数据整理、定量分析、实验研究、方法设计、软件应用、结果验证、初稿撰写。
Smriti Agarwal:初稿撰写、审稿与编辑工作。
Jyoti Chowdhry:初稿撰写。
Pinki Sharma:资源获取、软件应用、结果验证。
Manish Kumar:结果可视化、审稿与编辑工作。
Ajay Kumar:审稿与编辑工作。
Manoranjan Nayak:审稿与编辑工作。
Manoj Chandra Garg:概念设计、资金筹集、方法设计。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的财务利益关联或个人关系。

**致谢**
作者感谢印度北方邦诺伊达的阿米蒂大学阿米蒂环境与可持续性研究所气候变化与环境可持续性部门的支持。
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