利用可持续活性炭对对硝基苯酚修复的机器学习与机理研究

把坚果壳变成净水器

许多日常产品——从杀虫剂和染料到炸药与药物——都会在水中留下难以去除的化学残留物。其中一种化合物，对硝基苯酚，是有毒且持久的，已被列为优先污染物。本文探讨了一种创新方法：利用废弃的开心果壳制成的活性炭捕获并去除该污染物，并借助现代机器学习工具来理解与预测这种净化方法的有效性。

为何这种污染物难以清除

对硝基苯酚在工业与农业中被广泛使用，能通过工厂排放、实验室废弃物和农田径流泄入河流、湖泊与地下水。一旦进入水体，它极为持久：在酸性和碱性条件下都不易分解，能够长时间存在，对水生生物和人类健康构成风险。现有的处理方法——如高级氧化、光催化、生物降解和膜过滤——在实验室中可以去除该物质，但在实际废水中往往成本高、操作精细或难以放大。膜易污染、催化剂会退化、专用试剂增加运行费用，这些都表明需要更简单、更便宜且更稳健的解决方案。

从开心果废壳到高效滤料

研究者将废弃的开心果（Pistacia vera）壳转化为高性能的滤料——活性炭。壳体先被清洗，与磷酸混合，在相对较低温度下加热，然后洗涤并干燥。该处理生成了具有非常大内表面积和复杂孔道结构的炭，污染物分子可在其中被捕获。详细的成像与光谱分析显示出粗糙、高孔隙的结构，富含含氧官能团并带有微量磷——这些特性有助于吸引并固定对硝基苯酚。与来自橄榄渣、椰枣核或橙皮制成的其他活性炭相比，开心果壳活性炭兼具高比表面积和对该污染物的极高吸附容量。

净化过程的行为特征

为评估材料在实践中的表现，团队在搅拌条件下用不同的pH、投加量、初始浓度、温度和接触时间处理对硝基苯酚溶液。结果显示，接近pH 6的微酸性条件下去除效果最好，因为污染物以中性形态存在，能够在不受强电排斥的情况下靠近炭表面。增加活性炭投加量可以提高总体去除率，但每克吸附量会下降，因为部分位点未被利用。在低浓度下，材料能快速净化水体；在高浓度下，表面逐渐饱和，性能趋于平稳。数学模型表明，对硝基苯酚基本在炭表面形成单分子层吸附，去除速率受剩余空位数量控制。热力学分析显示该过程是自发的，释放适度热量，并以相对温和的物理作用为主，氢键作用和污染物平面芳香环与炭表面的层叠相互作用起到了辅助作用。

机器学习如同水晶球

由于诸多因素相互作用复杂，研究者训练了两类机器学习模型——人工神经网络和自适应神经模糊推理系统（ANFIS）——来预测在不同条件下活性炭能捕获多少污染物。两种模型均以180个实验数据点为训练集，然后用于预测新情况。尽管神经网络表现良好，模糊神经系统表现更佳，能够以很高的精度和低误差再现测量结果。基于该模型的敏感性分析显示，接触时间和起始污染物浓度是最关键的变量，其次是活性炭用量和pH，温度的影响较小。

面向真实水体的准备

除了在净化的实验室溶液中测试，团队还在若干真实水样——包括河水、湖水、井水和自来水（均添加对硝基苯酚）中检验了开心果壳活性炭。即便存在天然有机物和可溶性盐类会与炭表面竞争吸附位点，该材料仍能稳定地去除相当大比例的污染物，在某些情况下其表现甚至优于简单的对照溶液。活性炭可通过温和的碱性洗脱再生，并至少重复使用五次而仍保留约85%的原始容量，表明其耐用性良好且长期成本较低。

通向更清洁水的简洁绿色路径

简而言之，这项工作表明一种常见的食品废弃物——开心果壳——可以升级为对抗一种难处理且有害水体污染物的高效滤料。该制备过程节能、所用活化剂相对温和，并将农业副产物转化为有价值的净化工具。结合能够可靠预测性能并指出最重要操作参数的机器学习模型，这一方法为防护水体免受对硝基苯酚及类似污染物侵害提供了一条实用、低成本且可持续的解决方案。

引用: Kodandoor, A., Murugesan, G., Varadavenkatesan, T. et al. Machine learning and mechanistic studies on p-nitrophenol remediation using sustainable activated carbon. Sci Rep 16, 12153 (2026). https://doi.org/10.1038/s41598-026-42718-2

关键词: 活性炭, 开心果壳吸附剂, 对硝基苯酚去除, 废水处理, 机器学习 吸附