Prestandaprediktion med maskininlärning för Z‑scheme g‑C3N4/SnS2‑heterostrukturfotokatalysator för fullständig mineralisering av indigo carmin och förklaring av nedbrytningsvägar

Att omvandla solljus till ett verktyg för renare vatten

Många vardagliga produkter — från jeans och papper till läkemedel och livsmedelsfärg — använder starka syntetiska färgämnen som kan dröja kvar i floder och sjöar i åratal. Ett sådant färgämne, indigo carmin, ger en djup blå färg men är också giftigt och svårt att avlägsna när det når avloppsvatten. Denna studie undersöker ett solljusdrivet material som inte bara kan ta bort färgen från detta färgämne utan också bryta ner det helt till enkla, ofarliga ämnen, med hjälp av maskininlärning för att förutsäga hur väl processen fungerar under verkliga förhållanden.

Ett envist blått färgämne i vårt vatten

Indigo carmin används i stor utsträckning eftersom det är billigt, intensivt och stabilt — egenskaper som också gör det svårt att rengöra. Vanliga behandlingsmetoder som filtrering, adsorption på fasta ämnen eller kemisk fällning flyttar ofta bara färgämnet från vattnet till en annan plats snarare än att verkligen förstöra det. Värre är att det kvarvarande slammet kan ge egna avfallshanteringsproblem. Det som behövs akut är metoder som faktiskt ”mineraliserar” färgämnet, det vill säga bryter ner det till grundläggande molekyler som koldioxid och vatten, utan att lämna kvar bestående organiska föroreningar.

Utformning av ett ljusdrivet rengöringsmaterial

Forskarna skapade en ny fotokatalysator — ett material som använder ljus för att driva kemiska reaktioner — genom att kombinera två kända halvledare till ett så kallat Z‑scheme‑par. En komponent, grafitisk kolnitrid (g‑C3N4), är ett metallfritt, lagerbyggt material som kan absorbera synligt ljus men lider av snabb förlust av exciterade laddningar. Den andra, tennsulfid (SnS2), är ett smalt band‑material som fångar solljus effektivt och fäster bra till färgämnen men agerar i sig främst som en svamp och binder färgen snarare än att förstöra den. Med en enkel one‑pot‑termisk process förankrade teamet små SnS2‑partiklar på tunna ark av g‑C3N4 i olika belastningar och bildade tätt kopplade ”heterostrukturer” som bekräftades vara väl kopplade och strukturellt rena med hjälp av röntgen-, elektronmikroskopi‑ och spektroskopimätningar.

Från färgat avfall till klart vatten

När dessa material testades under verkligt solljus mot vatten som innehöll indigo carmin utmärkte sig ett prov: kompositen med 5 procent SnS2 (kallad GS5). Den avlägsnade all synlig färg inom 30 minuter vid en måttlig mängd katalysator och mineraliserade omkring tre fjärdedelar av det organiska kolet, vilket visar att större delen av färgämnet faktiskt förstördes och inte bara gömdes. Även vid fem gånger högre färgkoncentration avlägsnade samma material fortfarande nästan 89 procent av föroreningen, klart bättre än de enskilda ingredienserna var för sig och jämförbart med liknande system i andra studier. Katalysatorn fungerade också över ett brett pH‑intervall, tolererade upprepad återanvändning över fem cykler och behöll sin struktur intakt, vilket tyder på att den kan vara praktisk för kontinuerlig vattenbehandling.

Hur katalysatorn fungerar på atomär nivå

Kärnan i förbättringen är hur de två komponenterna delar och separerar elektriska laddningar när solljus träffar dem. I en Z‑scheme‑arrangemang rekombinerar elektroner från ett material med hål i det andra, vilket lämnar särskilt starka oxiderande ”hål” och reducerande elektroner på motsatta sidor. Dessa driver bildandet av mycket reaktiva syrebaserade arter i vattnet, som sedan angriper och fragmenterar färgmolekylerna. Scavenger‑tester — där specifika reaktiva arter selektivt blockeras — visade att superoxidradikaler (en reaktiv form av syre) spelar en ledande roll, medan hydroxylradikaler bidrar i mindre grad. Detaljerad kemisk analys av det behandlade vattnet med gas‑kromatografi–masspektrometri avslöjade en sekvens av intermediära molekyler som stegvis sönderdelas till mindre, mindre skadliga fragment och slutligen enkla syror nära full mineralisering.

Låta algoritmer förutsäga prestanda

För att bygga bro mellan laboratoriefynd och praktisk användning tränade teamet flera maskininlärningsmodeller på sina experimentdata. Dessa modeller tog in variabler som exponeringstid och färgkoncentration och lärde sig förutsäga hur mycket färg som skulle avlägsnas under varje förhållande. Bland de testade metoderna — Random Forest, support vector machines, neurala nätverk och gradient boosting — gav Random Forest de mest precisa och stabila förutsägelserna och matchade väl de uppmätta avlägsningseffektiviteten. Det innebär att sådana modeller, när de väl är tränade, snabbt kan prognosticera hur bra katalysatorn skulle fungera i nya scenarier utan att behöva genomföra otaliga nya experiment, och därigenom vägleda ingenjörer mot optimala behandlingsförhållanden.

Vad detta betyder för renare vatten

För icke‑specialister är budskapet enkelt: detta arbete visar ett lågkostnads, solljusdrivet material som snabbt kan rengöra ett svårt industriellt färgämne och i stor utsträckning förstöra det istället för att bara dölja det. Katalysatorn är lätt att tillverka, kräver endast små mängder för att fungera och kan återanvändas flera gånger, vilket gör den attraktiv för verklig avloppsbehandling. Genom att para noggranna experiment med moderna maskininlärningsverktyg visar studien också hur vi kan utforma och finslipa framtida teknologier för vattenrening mer intelligenta, vilket påskyndar vägen från laboratoriefynd till praktiskt bruk för renare floder och sjöar.

Citering: Gaur, R., Parmar, H., Patel, J. et al. Machine learning-driven performance prediction of Z-scheme g-C₃N₄/SnS₂ heterostructure photocatalyst for complete mineralization of indigo carmine and elucidation of degradation pathways. Sci Rep 16, 6403 (2026). https://doi.org/10.1038/s41598-026-37528-5

Nyckelord: vattenrening, fotokatalys, avloppsbehandling, maskininlärning, industriella färgämnen