本研究通过密度泛函理论对氧化石墨烯和金属离子的吸附行为进行理论模拟。基于机器学习方法训练预测模型的过程中, 缺失值采用推荐系统中广泛使用的奇异值分解方法处理, 并用梯度提升机解释了影响吸附能的重要因素。结果发现吸附体系中存在九种特征可为吸附能提供90%的累积重要性, 分别为离子半径、零点振动能量、密立根电荷、沸点、偶极矩、原子量、摩尔定容热容、自旋多重度和键长。定量评估了六种回归方法的预测精度, 包括支持向量回归、岭回归、随机森林、极端随机森林、极端梯度提升和轻梯度提升机。结果表明, 机器学习方法可提供足够的吸附能预测准确性, 其中极端随机森林方法表现出最优的预测性能, 均方误差仅为0.075。该模型用于香兰素吸附金属离子的测试, 验证了基于机器学习训练金属离子吸附能预测模型的可行性, 但仍需进一步提高其泛化能力。本研究基于机器学习预测吸附能, 简化预测过程、节省计算时间, 可为吸附去除金属离子的理论和实验研究提供参考。

光催化去除水中污染物的研究通常得到的是小样本的离散数据, 利用拟一级动力学模型对实验结果进行模拟和分析, 有时拟合效果较差, 且无法用于数据预测。本研究在离散灰色预测模型(DGM(1, 1))的基础上, 考虑数据的非线性特征并结合等维信息替代思想建立了非线性动态离散灰色模型(EDGM(1, 1,α)), 利用该模型对三元复合材料Bi/BiOCl/Au光催化去除四环素实验所得数据进行了预测, 其平均相对误差和拟合度数据显示: 相比于DGM(1, 1)等3种模型, EDGM(1, 1, α)模型对光催化实验数据具有良好的预测水平, 与实验结果吻合。该预测方法可以用于指导下一步实验, 有望减少实验次数, 降低成本和能耗。

作为一种窄带隙半导体材料, Bi₂WO₆在光催化降解有机污染物上具有很大的应用潜力。研究采用水热法合成了Bi₂WO₆纳米片, 并在可见光照射下研究其对四环素的光催化降解。利用XRD、FESEM、TEM、吸收光谱等对材料进行结构和形貌的表征。实验发现, 在pH=8的四环素溶液中加入50 mg Bi₂WO₆纳米片, 可见光照射130 min 后, 85%的四环素（50 mL, 50 mg/L）被降解。实验还研究了Bi₂WO₆纳米片光电化学性质, 通过加入不同的自由基捕获剂研究了光催化降解四环素的反应机理。结果表明, Bi₂WO₆纳米片具有较高的电子密度和电子空穴分离效率是其具有良好光催化性能的原因。