高级氧化技术是深度去除水中有机污染物的重要手段，但实验室纯水体系的反应机制认识对真实废水应用技术的科学指导仍存在明显适用性鸿沟。在实际水处理过程中，污染物性质、pH等水基质、氧化剂浓度等参数多因素相互耦合，使高级氧化过程中的污染物降解行为呈现出显著的场景依赖性。围绕这一问题，课题组长期致力于真实水处理场景中高级氧化过程的机制解析和技术创新（Environ. Sci. Technol. 2026, 60(2), 2197-2206; Environ. Sci. Technol. 2024, 58(50), 22466-22476; Water Res. 2024, 251, 121100）。与此同时，面对水体特征污染物精准治理的迫切需求，课题组将机器学习引入水处理过程研究，在数据驱动模型开发、高通量材料筛选和材料逆向设计等方面开展了系统工作，实现了从性能预测、机制识别到逆向设计的闭环优化（ACS Appl. Mater. Interfaces 2026, 18(3), 5115-5127; Environ. Sci. Technol. 2025, 59(22), 11401-11413; Environ. Sci. Technol. 2024, 58(34), 15298-15310），为水处理过程与数据驱动研究的高效融合提供了重要基础。
针对实际水处理过程中多污染物、多条件、多基质耦合的复杂芬顿氧化体系，传统低维度、单因素实验难以充分解析“宏观环境条件-污染物局部结构特征-全局电子性质-降解动力学”之间的非线性关系，也难以有效解决现有机制解释中“结构驱动”与“电子驱动”相互割裂的问题，课题组构建了“局部结构-全局电子-宏观条件”协同表征的跨尺度机器学习框架。该框架以污染物降解表观一级速率常数kobs为预测目标，系统融合污染物分子指纹、量子化学特征以及 pH、反应物浓度和共存水质参数等环境条件，通过多尺度特征融合显著提升了模型预测精度和鲁棒性，实现了污染物降解速率常数的精准预测。此外，研究进一步阐明了污染物局部结构信息与全局电子性质之间的交互关系，表明污染物电子反应性并非孤立决定降解动力学，而是在特定分子结构背景下受到分子几何构型、表面积和空间位阻等结构因素的显著调控。同时，部分依赖分析进一步揭示了 pH 等环境条件与污染物性质对污染物降解动力学的协同影响。该工作突破了高级氧化过程单尺度建模的局限，将机器学习从性能预测工具进一步拓展为机制整合工具，为复杂水处理体系中污染物降解行为的精准预测、机制统一和过程优化提供了新思路。
该成果以 “Improving Kinetic Prediction and Structural-Electronic Mechanistic Coherence in Fenton Process via a Cross-Scale Machine-Learning Framework” 为题发表于环境领域权威期刊Environmental Science & Technology（https://doi.org/10.1021/acs.est.5c18754）。课题组博士生李胜为论文的第一作者，张炜铭教授为通讯作者，博士生袁岭、博士生储盈盈、博士生陈晨、科研助理马雨佳，无锡学院钱杰书教授、南京大学吕路教授和潘丙才教授为共同作者。研究得到国家自然科学基金（No. 22176088）以及中央高校基础研究基金（No.021114380230、No.KG202607）的资助。
