BIOCHAR | 机器学习用于生物炭去除污染物的合成优化及吸附建模
阐明了机器学习对生物炭的全过程调控。
讨论了机器学习技术在优化生物炭热解工艺及成本评估方法中的应用。
归纳了基于机器学习技术的生物炭用于污染物吸附的建模方法。
提出了机器学习用于生物炭热解和污染物吸附中的一般指导原则和建议。
总结了机器学习技术用于生物炭吸附剂面临的挑战和发展前景。
生物炭因其比表面积大、官能团丰富、成本低，被广泛应用于污染物去除。生物炭的吸附性能与生物炭的合成和吸附参数有关，但影响因素众多，采用传统的实验方法获得优异吸附性能的生物炭材料，效率慢、成本高。近年来，机器学习逐渐被应用于生物炭研究，但对生物炭吸附剂的全过程工艺调控，包括合成优化和吸附建模，还没有全面的综述。本文首次从全方位调控的角度系统总结了机器学习在生物炭吸附剂中的应用，包括生物炭吸附剂的合成优化和吸附建模。首先，概述了机器学习的一般原理和算法类型。然后，总结了机器学习在生物炭合成的最新进展，包括生物炭产量和理化性质的预测、最佳合成条件和经济成本。综述了机器学习在生物炭用于吸附污染物的应用，包括吸附效率预测、实验条件优化和吸附机理揭示等，归纳了机器学习在生物炭从合成到吸附的全过程优化中应用的一般准则。最后，提出了生物炭吸附剂机器学习技术存在的问题和未来展望。这篇综述有望能够促进机器学习与生物炭的融合，从而促进生物炭的高效制备和实际应用。
图1. 摘要图
图2. 机器学习用于生物炭合成和污染物吸附的趋势图
数据集的规模和可靠性是将机器学习部署到生物炭中的关键。开发生物炭数据库，有利于机器学习与生物炭的融合。
迫切需要开发具有高可解释性的灰箱或白箱机器学习算法，从而获取生物碳合成和污染物吸附过程中清晰的物理化学规律。
在后续的研究中，需要深入考虑生物炭、生物油和生物气之间的竞争反应，以获得更高的目标产品收率。
机器学习有望进一步阐明吸附机理，包括静电相互作用、络合作用和非线性相关的标度关系。此外，还需要加强污染物类型的影响，包括极性、溶解度、分子量甚至官能团对吸附过程的影响。
张文涛
清华大学
黄文光
生态环境部华南环境科学研究所
南京大学博士，生态环境部华南环境科学研究所工程师，研究方向为基于环境功能材料的水污染控制技术，以第一作者/通讯作者在Applied catalysis B: Environmental, Critical Reviews in Environmental Science and Technology, Journal of Hazardous Materials等国际权威期刊发表SCI论文7篇。
吴兵党
苏州科技大学
南京大学博士，苏州科技大学市政工程系副教授，研究方向为环境功能材料与水污染控制、高级氧化还原技术、水环境生态修复，以第一作者/通讯作者在Water Research等国际环境科学领域权威杂志上发表了SCI论文17篇，担任无机盐工业、Resources, Environment and Sustainability青年编委。
https://link.springer.com/article/10.1007/s42773-023-00225-x