机器学习赋能的水中全氟/多氟烷基物质去除技术

白明霞, 宋潮潮, 张圆正, 牛军峰（资源环境系统优化教育部重点实验室, 华北电力大学环境科学与工程学院）

摘要：全氟和多氟烷基物质(PFAS)因其极高的化学稳定性和环境持久性, 在全球水体中广泛存在, 且对生态系统与人类健康构成潜在威胁. 传统去除技术依赖大量实验与参数调优, 面临效率低、成本高与适应性差等瓶颈.近年来, 基于人工智能的机器学习(ML)方法在环境科学领域快速发展, 展现出提升去除效率和优化处理过程的重要潜力. 本文综述了ML在吸附、膜分离、电化学及光催化等主流PFAS去除技术中的应用进展, 聚焦其在去除性能预测、工艺参数优化、材料筛选与合成、机制解析等方面的赋能作用. 在此基础上, 进一步剖析了当前ML方法在数据质量、模型泛化、环境适应性与毒性预测等方面面临的挑战. 最后提出通过高质量数据集、多模态模型和智能化部署等路径, 推动构建高效低碳的PFAS治理体系, 为未来研究与工程实践提供参考.

关键词：机器学习, 全氟/多氟烷基物质, 污染物, 水处理技术, 降解机制, 模型泛化