基于可解释机器学习的生物炭催化剂活化过二硫酸盐与过一硫酸盐机制解析

《Journal of Hazardous Materials》：Deciphering peroxydisulfate vs. peroxymonosulfate activation by biochar catalysts via explainable machine learning

　　

研究人员采用过一硫酸盐（PMS）与过二硫酸盐（PDS）的生物炭（BC）活化过硫酸盐高级氧化工艺（PS-AOPs）去除水体中新污染物。现有研究缺乏两种氧化剂在生物炭上的催化行为与污染物去除性能的系统比较，限制了催化剂设计与工艺参数优化。本研究针对非金属掺杂生物炭，分别构建PMS与PDS活化的机器学习模型，通过SHAP分析发现PMS活化受实验条件主导（特征重要性占比71.3%），PDS活化则更依赖生物炭性质（特征重要性占比70.1%）。进一步从物理孔结构、表面元素组成及制备条件三个维度明确关键生物炭特征及其最优区间。引入电离能（IP）对污染物进行可降解性分类，采用“分而治之”策略构建污染物导向子模型以深化机理解析。针对不同氧化剂-污染物组合，应优先调控生物质前体、比表面积与缺陷度等关键参数以实现生物炭优化设计。该研究为高效可持续PS-AOPs的生物炭定制提供了机制基础，并为复杂水体的污染物靶向治理提供策略指导。

本研究发表于《Journal of Hazardous Materials》，聚焦生物炭活化过硫酸盐高级氧化工艺（PS-AOPs）中过一硫酸盐（PMS）与过二硫酸盐（PDS）的差异化激活机制这一关键科学问题。新污染物因环境持久性与潜在毒性对生态系统与公众健康构成威胁，PS-AOPs凭借其强氧化能力与广泛适用性成为水处理领域的重要技术路径。生物炭（BC）作为金属-free碳材料，因环境友好性、高酸碱性稳定性与大比表面积等优势被视作理想的PS活化剂。然而，PMS与PDS的分子结构、键能与空间位阻差异导致其在异相催化体系中呈现不同的反应路径与效率，现有研究尚未系统揭示两类氧化剂在生物炭表面的调控规律，制约了催化剂设计与工艺优化的精准性。传统试错实验耗时费力，亟需数据驱动的新范式解析复杂多因素耦合机制。

研究人员构建了涵盖2010至2024年非金属掺杂生物炭PS-AOPs文献的数据集，以单位时间反应转化率（URR）为预测目标，排除金属负载与复合材料体系以聚焦纯生物炭本征特性。关键技术方法包括：1）数据集分层构建，分别建立全PS体系、PMS体系与PDS体系数据集；2）七种机器学习算法筛选，最终确定随机森林（RF）模型因泛化性能最优用于后续分析；3）SHAP（SHapley Additive exPlanations）可解释性分析，量化特征贡献并识别关键调控因子；4）“分而治之”策略，基于垂直电离能（IP）将污染物分为易降解（E2D）与难降解（H2D）队列，构建子模型解析氧化剂-污染物交互模式。

研究结果如下：

模型开发与性能验证

研究人员对比五种集成学习模型，发现随机森林（RF）在PMS（R²=0.956）与PDS（R²=0.954）体系中均实现最优预测精度与稳定性，有效克服过拟合问题，为后续机制解析提供可靠模型基础。

PMS与PDS活化机制的差异化解析

SHAP全局分析表明，PMS活化受实验条件主导（特征重要性71.3%），包括氧化剂浓度、反应pH与温度等；PDS活化则主要由生物炭自身性质决定（特征重要性70.1%），涵盖比表面积、孔隙结构与表面元素组成。这一差异源于PMS分子尺寸小、不对称结构带来的低空间位阻与高亲电性，使其在异相体系中更易接触活性位点；PDS则因较长O-O键（1.497 ?）与低键解离能（92 kJ·mol^-1）更依赖催化剂表面化学吸附触发非自由基路径。

关键生物炭特征的定向优化

通过SHAP值与偏依赖分析，研究人员从三个维度明确调控靶点：物理孔结构方面，比表面积是通用主导因子，PDS体系更需关注微孔体积与孔径分布；表面元素组成方面，含氧官能团（如羧基、羟基）与杂原子掺杂（N、S）显著提升PMS活化效率，PDS体系则对石墨化程度与缺陷度更敏感；制备条件方面，热解温度与升温速率通过调控碳结构有序性影响活化性能，PMS体系适宜中低温制备以保留表面官能团，PDS体系需高温处理增强导电性与缺陷结构。

污染物导向的子模型构建

基于电离能（IP）的污染物分层显示，E2D污染物在PMS体系中去除效率更高，而H2D污染物在PDS体系中表现出更优降解潜力。子模型进一步揭示，针对E2D污染物应优先优化生物炭表面亲电位点密度，针对H2D污染物则需强化电子转移通道与活性氧生成能力。

讨论与结论部分指出，本研究首次通过可解释机器学习实现了PMS与PDS活化机制的系统性比较，突破了传统实验难以量化多因素交互效应的局限。研究提出的“特征重要性-最优区间-污染物适配”设计框架，为生物炭催化剂的定制化开发提供了数据驱动范式。该成果不仅深化了对碳材料-过硫酸盐界面作用机制的理解，更为复杂水体中污染物的靶向去除提供了精准调控策略，对推动PS-AOPs技术的工程化应用具有重要指导意义。