近日，任南琪院士团队贺诗欣教授在环境领域著名学术期刊Environmental Science & Technology上发表了题为“Discovery of an End-to-End Pattern for Contaminant-Oriented Advanced Oxidation Processes Catalyzed by Biochar with Explainable Machine Learning”的论文。该研究将机器学习（ML）方法应用于开发污染物导向的端到端碳催化高级氧化新模式，旨在优化新兴污染物的降解过程，加快处理速度并指导定向碳催化剂的设计。为了实现这一目标，研究团队首先收集并构建了一个针对生物炭催化过硫酸盐高级氧化的专用数据集。随后，通过分层回归模型，将新污染物特性、催化反应条件和生物炭催化剂材料特性与反应速率常数（k）关联起来，精准预测不同新污染物的降解效果。此外，研究还创新性地将K均值聚类与可解释的机器学习工具结合，优化目标污染物的生物炭催化设计和反应策略。最后，通过分子指纹分析，提出了针对不同新污染物的量化端到端降解模式，提供了污染物导向的优化策略。这项研究为新污染物碳催化高级氧化的全过程优化提供了新范例，拓展了机器学习技术的应用场景，并促进了高级氧化技术在应对新型污染物挑战方面的广泛应用。
本研究通过应用分层模型，构建了实现高效、污染物导向的BC-PMS高级氧化工艺（AOPs）的端到端（E2E）操作模式，填补了研究空白。我们首先总结并构建了专门的EC-AOP数据集，涵盖反应条件、BC特性和EC属性。通过训练预处理后的EC-AOP数据集，XGB模型表现出最高的预测准确性，因此可用于污染物导向的k值预测。我们使用K-means聚类将EC分类为E2D和H2D，建立了初步的E2E模式框架。通过SHAP和PDP技术对E2D和H2D进行解释性分析，最终得出了污染物导向的E2E模式，并提出了针对不同能隙EC的操作策略。实际实验验证了该模式在提高EC去除效率方面的显著效果。总结而言，我们不仅引入了一个用户友好的AOPs优化模型，还成功地将ML模型的开发与实际应用联系起来，虽然面临一定局限性，如工业应用的适应性和高k值样本预测的不足，未来研究应着重于提升模型性能并应用于更复杂的废水处理场景。
实验室贺诗欣教授为论文的通讯作者，城市水资源与水环境国家重点实验室为通讯单位。哈尔滨工业大学博士研究生王汝鹏为论文的第一作者，硕士研究生陈宏林为共同一作。
论文链接：https://pubs.acs.org/doi/10.1021/acs.est.4c04714
