《Results in Chemistry》：Modeling the azo-dye removal from aqueous solution by adsorption on expanded modified vermiculite using statistical design and neural network
编辑推荐：
研究人员研究了阴离子型偶氮染料直接橙26(Direct Orange 26, DO26)在水溶液中被膨胀蛭石(expanded vermiculite, EV)吸附的特性。采用基于中心复合设计(central composite design, CCD)的响应
研究人员研究了阴离子型偶氮染料直接橙26(Direct Orange 26, DO26)在水溶液中被膨胀蛭石(expanded vermiculite, EV)吸附的特性。采用基于中心复合设计(central composite design, CCD)的响应面法(response surface methodology, RSM)，优化了pH、接触时间、吸附剂投加量和初始染料浓度等四个因素在三水平下的吸附条件。结果表明，在pH=2、吸附剂投加量0.1 g、初始染料浓度75 ppm、接触时间50 min、温度25 °C条件下，天然DO26和改性DO26的最大吸附容量分别为43.76 mg/g和66.32 mg/g。同时，研究人员应用分组数据处理法(Group Method of Data Handling, GMDH)神经网络预测DO26的去除效率，结果显示RSM作为统计方法的预测性能优于GMDH。吸附过程符合Freundlich等温线模型，吸附动力学数据与准二级(pseudo-second order)模型吻合良好。热力学数据表明，该吸附过程是自发且吸热的，天然DO26的ΔG = ?3.12 kJ/mol、ΔH = 93.515 kJ/mol、ΔS = 325.88 kJ/(mol·K)；改性DO26的ΔG = ?3.41 kJ/mol、ΔH = 24.586 kJ/mol、ΔS = 94.164 kJ/(mol·K)。
本研究针对含偶氮染料废水处理中传统活性炭成本高、难以大规模应用的瓶颈，选用廉价矿物材料蛭石经高温膨胀及碱改性后作为吸附剂，开展直接橙26(DO26)的去除性能与机理研究，成果发表于《Results in Chemistry》。研究人员结合实验设计与人工智能方法，优化吸附工艺参数，并揭示其吸附行为与热力学特征。
关键技术方法包括：采用中心复合设计(CCD)进行四因素三水平的实验优化，结合响应面法(RSM)建立二次多项式回归模型；应用分组数据处理法(GMDH)神经网络构建预测模型，并通过遗传算法优化网络结构与参数；利用扫描电子显微镜(SEM)表征改性前后蛭石微观形貌；通过等温线、动力学和热力学模型拟合实验数据，分析吸附机制。
结果与讨论
- 1.
吸附剂表征：SEM显示碱改性显著增加了蛭石孔隙体积与比表面积，提高了染料吸附能力。
- 2.
吸附动力学：准二级模型拟合度最高(R2 > 0.98)，表明吸附主要为化学过程，且初始阶段速率快，30 min接近平衡。
- 3.
吸附等温线：Freundlich模型拟合最佳(R2 > 0.98)，表明吸附为非均相多层过程，Langmuir分离因子RL在0~1间，说明吸附有利。
- 4.
热力学参数：ΔG为负值，ΔH为正值，证实吸附自发且吸热；ΔS为正值，反映固液界面亲和力强。
- 5.
RSM优化：模型显著性高(P<0.0001)，最优条件为pH=2、投加量0.1 g、浓度75 ppm、时间50 min，预测值与实验值误差小于5%。
- 6.
GMDH建模：训练集与测试集R2达0.9878，均方误差(MSE)为5.1325，模型精度良好但略低于RSM。
- 7.
模型比较：RSM的R2=0.9883、MSE=1.255，优于GMDH，但在工程应用中两者皆具可靠性。
结论
研究表明，碱改性膨胀蛭石对DO26的吸附性能显著提升，最大吸附容量达66.32 mg/g，优于稻壳与黑麦秸秆等传统生物质吸附剂。吸附过程符合Freundlich等温线与准二级动力学模型，属自发吸热的多层化学吸附。RSM与GMDH均能可靠预测吸附效率，其中RSM精度更高。该方法为低成本工业染料废水处理提供了可行的技术方案，同时展示了实验设计与人工智能结合的建模优势。
