文献速递|韩国庆北国立大学WR:可解释机器学习揭示了分子描述符如何调控UV/H2O2氧化过程中微污染物的降解

背景：微污染物因其持久性和生物累积性对水环境和健康构成风险，UV/H2O2高级氧化工艺能有效降解多种微污染物，但工艺参数与分子性质间的复杂相互作用使得降解预测面临挑战。研究目的：本研究旨在通过整合实验数据与可解释机器学习，开发一个能预测UV/H2O2系统中微污染物降解动力学的框架，并探究分子描述符和工艺条件对降解的影响机制。结论：梯度提升决策树（GBDT）模型预测精度最高，SHAP分析表明工艺条件（如紫外通量、H2O2浓度）对降解速率的影响强于分子固有性质，但量子化学描述符（如化学硬度、福井指数）为结构-反应性关系提供了关键机理见解。该框架架起了机理理解与预测建模的桥梁，为水处理系统的设计和优化提供了科学依据。