牧豆树生物炭吸附六价铬的机理与可解释树集成机器学习预测去除性能研究

《Chemical Engineering Journal Advances》:Prosopis juliflora biochar for hexavalent chromium adsorption: Mechanism and interpretable tree-based ensemble machine learning modelling for predictive removal performances

【字体: 大 中 小 】 时间:2026年09月26日 来源:Chemical Engineering Journal Advances 6.9

编辑推荐:

  水和土壤中的重金属污染广泛存在,造成严重的环境和生命风险。近年来,生物炭在去除各种有机和无机污染物方面表现出优异的吸附性能。本研究制备了来源于牧豆树(*Prosopis juliflora*)的生物炭,并将其用于Cr(VI)去除。通过批量吸附实验优化了铬去除条

  
水和土壤中的重金属污染广泛存在,造成严重的环境和生命风险。近年来,生物炭在去除各种有机和无机污染物方面表现出优异的吸附性能。本研究制备了来源于牧豆树(*Prosopis juliflora*)的生物炭,并将其用于Cr(VI)去除。通过批量吸附实验优化了铬去除条件。等温线研究表明,Sips等温线模型拟合最佳,证实了非均相单层吸附,最大吸附容量为100.95 mg g?1。此外,吸附动力学揭示拟一级动力学模型拟合最佳,表明物理吸附机制。热力学研究证实了Cr(VI)吸附的自发性和放热性质。机器学习预测建模能够实现污染物的去除性能预测,其中树集成模型因其稳健性和优越的预测性能而受到青睐。因此,本研究整合了六种机器学习模型来预测Cr(VI)在PJ-BC吸附剂上的去除效率。在机器学习模型中,CatBoost展现了最佳的预测性能,R2最高达0.988,RMSE最低为2.648。本研究还引入了可解释机器学习框架,包括SHapley Additive exPlanations(SHAP)和部分依赖图(PDP),以阐明输入变量的特征重要性。通过结合牧豆树生物炭去除铬的实验研究和机器学习建模,本研究为Cr(VI)污染废水的可持续和数据驱动型处理策略的开发做出了贡献。
**论文解读:牧豆树生物炭对六价铬的吸附机制及可解释树集成机器学习预测研究**

**1. 研究背景、问题与意义**

重金属污染是当前水体和土壤环境面临的主要威胁之一,其中六价铬(Cr(VI))因其致癌性和不可降解性而备受关注。世界卫生组织(WHO)规定Cr(VI)在饮用水中的允许限值为0.05 mg L?1,但皮革鞣制、电镀、电化学等工业废水中Cr(VI)浓度常远超该限值。Cr(VI)具有高毒性、高水溶性和强反应性,过量摄入会导致肝脏、肾脏、胃肠道损伤以及呼吸系统癌症等严重健康问题。因此,开发高效、经济的Cr(VI)去除技术至关重要。

吸附法因其操作简便、成本低、去除效率高而被广泛采用。生物炭凭借其丰富的表面官能团、较大的比表面积和良好的吸附容量,在重金属去除领域展现出巨大潜力。牧豆树(*Prosopis juliflora*)作为一种入侵性灌木,其生物质来源广泛,将其制备为生物炭(PJ-BC)用于Cr(VI)吸附,不仅实现了废弃物资源化利用,也为重金属废水处理提供了可持续的吸附材料。然而,Cr(VI)吸附过程受多种操作参数(如接触时间、pH、温度、吸附剂投加量、初始金属浓度等)的复杂非线性影响,传统统计模型难以准确预测其去除效率。近年来,机器学习(ML)方法在吸附过程建模中表现出优异的预测能力,尤其是树集成模型因其鲁棒性和高精度而受到关注。然而,如何解释黑箱模型的预测结果并识别关键影响因子,仍是当前研究的难点。为此,本研究将实验吸附研究与可解释机器学习框架相结合,旨在系统揭示PJ-BC对Cr(VI)的吸附机制,并建立高精度、可解释的预测模型,为Cr(VI)污染废水的智能化处理提供理论依据和技术支撑。

**2. 主要研究方法**

研究人员以牧豆树叶片为原料,经300 ℃热解制备PJ-BC生物炭,并利用傅里叶变换红外光谱(FT-IR)、X射线衍射(XRD)、场发射扫描电子显微镜-能谱(FE-SEM/EDAX)、氮气吸附-脱附(BET/BJH)及pHPZC漂移法对其理化性质进行表征。通过批量吸附实验考察了接触时间、pH、吸附剂投加量、温度和初始Cr(VI)浓度对去除效率的影响,并采用非线性拟合方法分析吸附等温线(Langmuir、Freundlich、Dubinin-Radushkevich、Sips、Redlich-Peterson)、吸附动力学(拟一级、拟二级、Elovich、颗粒内扩散)及热力学参数。在机器学习建模方面,研究人员基于实验数据构建了六个模型(Random Forest、Gradient Boosting、XGBoost、LightGBM、CatBoost及线性回归),以输入变量(时间、初始浓度、pH、温度、投加量)预测Cr(VI)去除效率,并采用贝叶斯优化对最佳模型CatBoost进行超参数调优。同时,引入SHapley Additive exPlanations(SHAP)和部分依赖图(PDP)对模型进行可解释性分析,量化各输入变量的贡献及交互效应。

**3. 研究结果**

**3.1 PJ-BC表征与吸附性能**

FT-IR分析显示PJ-BC表面含有羟基(-OH)、C-H、C=O和C-O等官能团,有利于Cr(VI)的络合吸附。XRD图谱表明材料主要为无定形碳结构。FE-SEM图像显示PJ-BC表面呈不规则粗糙片层状,提供了丰富的吸附活性位点;EDAX证实其主要由碳(68.2 wt%)和氧(31.8 wt%)组成。BET比表面积为47.204 m2 g?1,孔体积为0.256 cm3 g?1,平均孔径为12.414 nm,呈现IV型等温线特征。pHPZC为5.8,表明酸性条件下材料表面带正电荷,有利于阴离子态Cr(VI)的静电吸附。

**3.2 批量吸附实验与机制**

接触时间实验显示,在10–50 ppm初始浓度下,120 min达到吸附平衡,50 ppm时去除效率高达97.89%;而100 ppm时平衡时间延长至240 min,去除效率降至72.91%。pH实验表明,pH 2时去除效率最高(97.62%),pH升高至8时急剧下降至30.19%,这归因于酸性条件下表面官能团质子化增强了对HCrO4?的静电吸引。吸附剂投加量实验显示,投加量从0.1 g L?1增至1.25 g L?1时,去除效率从37.69%升至98.42%,但0.5 g L?1后增幅趋缓。温度实验表明,温度从25 ℃升至55 ℃时,去除效率从97.35%降至36.96%,热力学参数ΔH° = ?19.78 kJ mol?1、ΔS° = ?54.95 J mol?1 K?1,ΔG°从?3.33 kJ mol?1升至?1.69 kJ mol?1,证实Cr(VI)吸附为自发、放热过程。

等温线拟合结果显示,Sips模型拟合最佳(R2 = 0.9932,χ2 = 0.1043),最大吸附容量为100.95 mg g?1,Sips指数n = 1.5619偏离1,表明非均相单层吸附。Dubinin-Radushkevich模型计算的平均吸附能E = 0.0942 kJ mol?1(< 8 kJ mol?1),支持物理吸附机制。动力学拟合中,拟一级模型在所有初始浓度下均给出最高R2(0.9738–0.9924),进一步证实物理吸附为主导。

**3.3 机器学习预测性能**

研究人员将327组批量吸附实验数据用于建模(数据集来源为实验室合成Cr(VI)溶液,未涉及外部样本队列)。EDA分析显示输入变量间相关性较低(相关系数?0.04至0.36),特征独立性较好。初始模型评估中,CatBoost表现最佳,测试集R2 = 0.988,MAE = 1.862,RMSE = 2.648,MAPE = 2.954%,MRD% = 2.996;Gradient Boosting次之(R2 = 0.984)。Random Forest(R2 = 0.964)和XGBoost(R2 = 0.959)表现良好,LightGBM(R2 = 0.742)较弱,线性回归最差(R2 = 0.368)。残差分析显示,CatBoost和Gradient Boosting的残差集中于零线附近,相对误差控制在±10%内,而LightGBM和线性回归残差离散严重。对CatBoost进行贝叶斯超参数优化后,模型性能与默认参数基本持平(R2 = 0.987,MAE = 1.801),表明默认参数已接近最优。

**3.4 可解释性分析**

SHAP分析表明,接触时间是最关键的特征,平均绝对SHAP值约20.5,贡献占比62.1%;初始Cr(VI)浓度贡献24.2%,pH贡献8.5%,温度贡献3.6%,吸附剂投加量贡献1.5%。前三者合计贡献94.8%。SHAP蜂群图显示,接触时间短导致预测值显著降低,高初始浓度和高pH均产生负向贡献,与实验现象一致。PDP分析进一步展示了各变量的非线性影响:接触时间在短时期内去除效率急剧上升后趋于平台(约88–90%);初始浓度升高导致去除效率从约72%降至47%;pH升高使去除效率从约70%降至48%;吸附剂投加量在适度范围内正向影响去除效率但存在阈值效应;温度升高始终负向影响去除效率。二维PDP揭示了交互效应,如时间与Cr浓度交互显示,短时间高浓度组合去除效率最低(约12.78%),长时间低浓度组合最高;时间与pH交互在长时间低pH下达到83.36%的去除效率。

**4. 结论与意义**

研究人员通过实验与机器学习相结合,证实了PJ-BC是一种低成本、高效的Cr(VI)吸附剂,吸附机制为非均相单层物理吸附。CatBoost模型结合SHAP和PDP分析,成功识别了接触时间、初始浓度和pH为影响去除效率的核心因素,并提供了透明的非线性关系解释。该研究为生物炭吸附重金属的过程优化提供了一种数据驱动的新范式,展现了可解释机器学习在环境修复领域的应用潜力。未来可进一步扩展至实际废水验证及多污染物体系,以推动智能化水处理技术的落地应用。
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