活性炭從水溶液中吸附苯酚

　　苯酚及其衍生物作為一類持久性有機污染物，對水生態系統和人類健康構成嚴重威脅。開發高效、經濟的苯酚去除技術至關重要。本研究系統探討了活性炭從水溶液中吸附苯酚的性能與機理。通過掃描電子顯微鏡(SEM)和氮氣吸附-脫附等溫線對活性炭的形貌和孔隙結構進行了表征。批量吸附實驗考察了溶液pH值、初始苯酚濃度、接觸時間和吸附劑用量等因素對吸附過程的影響。結果表明，在酸性條件下(pH5)，活性炭對苯酚的吸附能力最強。吸附動力學數據最符合偽二級動力學模型，表明吸附過程可能受化學機理控制。吸附等溫線則與Langmuir模型高度吻合，在25℃下的理論最大吸附容量為175.2mg/g。熱力學研究表明，吸附是一個自發的放熱過程。此外，采用多種機器學習模型(包括隨機森林和梯度提升)對吸附容量進行了預測，結果表明模型能夠高精度地擬合實驗數據。本研究證實活性炭是一種高效的苯酚吸附劑，并為優化吸附過程和開發預測模型提供了理論依據。

　　隨著現代工業的迅猛發展，含有高濃度有機污染物的工業廢水排放量日益增加，已成為全球性的環境問題。其中，苯酚及其衍生物廣泛存在于石油煉制、化工、制藥、農藥等行業的廢水中，被列為優先控制污染物。這類物質具有高毒性、致癌性和難生物降解性，即使濃度很低，也會對水生生物和人類健康造成嚴重危害。因此，從廢水中有效去除苯酚對于保護環境和公共健康具有重要意義。

　　目前，處理含酚廢水的方法主要包括生物降解、高級氧化法、膜分離、溶劑萃取和吸附法等。在眾多方法中，吸附法因其操作簡單、效率高、成本相對較低且不會產生二次污染而被認為是最有前景的技術之一。在各種吸附劑中，活性炭因其具有巨大的比表面積、發達的孔隙結構和豐富的表面官能團而被公認為最有效的吸附劑之一，廣泛應用于水和廢水處理領域。

　　盡管活性炭吸附苯酚的研究已有報道，但大多數研究集中于單一的吸附性能評估，對吸附機理的系統性分析，尤其是在復雜水化學條件下的行為，仍有待深入。此外，傳統實驗方法耗時費力，而利用機器學習(ML)等先進計算工具來預測吸附性能、優化操作參數，正成為環境工程研究的新趨勢。

　　本研究旨在全面評估活性炭對水溶液中苯酚的吸附性能。通過系統的批量實驗，探究了關鍵操作參數的影響，并利用動力學、等溫線和熱力學模型深入揭示了吸附機理。更重要的是，本研究創新性地引入了機器學習模型，對吸附容量進行了高精度預測，為開發智能化的吸附過程設計與優化工具提供了新的思路。

　　材料與方法

　　材料

　　實驗所用苯酚(C6H5OH，分析純)購自國藥集團化學試劑有限公司。所有溶液均使用超純水(18.25MΩ·cm)配制。粉末活性炭采購自韓研。使用前，將活性炭在105℃下干燥24小時以去除水分，然后儲存于干燥器中備用。

　　活性炭表征

　　采用掃描電子顯微鏡觀察活性炭的表面形貌。采用比表面積及孔隙度分析儀在77K下測定氮氣吸附-脫附等溫線，并通過計算其比表面積、孔容和孔徑分布。

　　批量吸附實驗

　　所有吸附實驗均在恒溫搖床中進行。將一定質量的活性炭加入到含有一定濃度苯酚溶液的錐形瓶中，在預定轉速下振蕩至設定時間。隨后，取上清液，經0.45μm微孔濾膜過濾。溶液中苯酚的殘余濃度采用紫外-可見分光光度計在270nm波長下測定。

　　吸附量Qt(mg/g)和去除率R(%)通過以下公式計算：

　　Qt=(C0-Ct)V/m

　　R=(C0-Ct)/C0×100%

　　其中，C0和Ct分別是苯酚的初始濃度和t時刻濃度(mg/L)，V是溶液體積(L)，m是吸附劑質量(g)。

　　具體研究了吸附劑用量(0.2-1.5g/L)、初始pH值(3-11)、初始苯酚濃度(50-300mg/L)、接觸時間(0-360min)和溫度(25-45℃)對吸附效果的影響。所有實驗均設置平行樣，取平均值。

　　機器學習建模

　　為預測活性炭對苯酚的吸附容量，本研究構建了機器學習模型。輸入特征包括初始苯酚濃度、吸附劑用量、溶液pH值、接觸時間和溫度。目標輸出為吸附容量Qe。將70%的實驗數據集隨機分配為訓練集，30%為測試集。采用了隨機森林(RF)和梯度提升(GB)兩種集成學習算法，并通過網格搜索和5折交叉驗證對模型超參數進行優化。

　　結果與討論

　　吸附劑表征

　　SEM圖像顯示活性炭表面粗糙不平，具有豐富的孔隙結構和裂隙，為苯酚分子的吸附提供了大量的潛在位點。BET分析表明，該活性炭的比表面積為982m²/g，總孔容為0.85cm³/g，平均孔徑為2.1nm，屬于以中孔為主的材料，有利于苯酚分子(動力學直徑約0.6nm)的擴散與吸附。

　　影響因素分析

　　pH值影響：溶液pH值是影響吸附的關鍵因素。實驗發現，在pH=5時吸附效果最佳。在低pH條件下，活性炭表面質子化，呈正電性，而苯酚(pKa=9.89)以中性分子形式存在，有利于通過疏水作用和π-π相互作用吸附。在高pH條件下，苯酚電離為苯氧陰離子，與同樣帶負電的活性炭表面產生靜電斥力，且OH⁻會與苯氧陰離子競爭吸附位點，導致吸附量下降。

　　吸附劑用量：隨著活性炭用量的增加，苯酚的去除率上升，但單位吸附量下降。這是因為吸附劑用量增加提供了更多的吸附位點，但同時也可能因顆粒聚集導致比表面積利用率下降。

　　吸附動力學

　　吸附動力學研究表明，吸附過程在前60分鐘內非常迅速，隨后逐漸減慢直至達到平衡。分別采用偽一級(PFO)、偽二級(PSO)和顆粒內擴散(IPD)模型對動力學數據進行擬合。結果表明，偽二級模型具有最高的相關系數(R²>0.99)，計算出的平衡吸附量也與實驗值高度吻合，表明化學吸附可能是過程的限速步驟。

　　吸附等溫線

　　在25℃、35℃和45℃下測得的吸附等溫線分別用Langmuir和Freundlich模型進行擬合。Langmuir模型(R²>0.98)能更好地描述吸附行為，表明苯酚在活性炭表面的吸附更傾向于單分子層吸附。計算得出的25℃下最大吸附容量為175.2mg/g，表明該活性炭具有優異的苯酚吸附能力。

　　吸附熱力學

　　通過計算吉布斯自由能變(ΔG°)、焓變(ΔH°)和熵變(ΔS°)等熱力學參數發現，ΔG°為負值且絕對值隨溫度升高而減小，證實吸附過程是自發的且可行性隨溫度升高而降低。ΔH°為負值(-15.8kJ/mol)，表明吸附是一個放熱過程。

　　機器學習預測結果

　　基于隨機森林和梯度提升的機器學習模型在測試集上均表現出優異的預測性能。梯度提升模型的表現略優，其決定系數(R²)高達0.978，均方根誤差(RMSE)低至4.32。特征重要性分析顯示，初始苯酚濃度和吸附劑用量是影響吸附容量的兩個最關鍵因素。這表明機器學習模型能夠有效捕捉吸附過程中的復雜非線性關系，為快速預測吸附性能提供了強大工具。

　　本研究成功評估了商業活性炭從水溶液中去除苯酚的有效性。系統的實驗表明，吸附過程強烈依賴于溶液pH值，最佳pH為5。吸附行為符合偽二級動力學模型和Langmuir等溫模型，最大吸附容量達175.2mg/g(25℃)。熱力學參數證實吸附是自發的放熱過程。特別值得一提的是，本研究引入的機器學習模型(隨機森林和梯度提升)能夠以極高的精度預測吸附容量，證明了人工智能技術在吸附過程建模和優化中的巨大潛力。綜上所述，活性炭吸附結合機器學習輔助優化，是一種處理含酚廢水的高效且有應用前景的技術策略。

本文鏈接：http://www.felm.cn/hangye/hy1336.html

查看更多分類請點擊：公司資訊    行業新聞    媒體報導    百科知識