随着医药、农药及个人护理品等新污染物在水环境中的不断检出，其对生态系统和人体健康的潜在风险日益受到关注。由于这些污染物通常以纳克至微克每升的极低浓度存在，且具有较强的持久性和生物累积性，传统水处理工艺往往难以实现有效去除。基于紫外光的高级氧化技术（UV-AOPs）能够产生强氧化性自由基，被认为是去除新污染物的重要技术途径。其中，紫外/氯工艺在紫外辐照下可同时生成羟基自由基（HO^•）和活性氯自由基（RCS），在实现污染物高效降解的同时还能提供余氯消毒功能，在饮用水处理和再生水利用领域具有广阔应用前景。然而，随着新污染物不断出现，不同污染物结构及水质条件对降解效率的影响差异显著，使得紫外/氯工艺的性能评估和运行优化往往依赖大量实验研究，难以实现快速预测与精准调控。

对此，南京大学任洪强院士团队将机器学习方法引入紫外/氯高级氧化工艺研究，构建了可预测新污染物降解速率常数的模型。研究整合文献中1139组反应数据，建立了基于分子指纹与XGBoost算法的预测框架，并通过文献数据和实验数据对模型进行了验证。结果表明，该模型能够较为准确地预测多种污染物在紫外/氯体系中的降解速率，并可进一步预测新兴新污染物在不同水质条件下的降解行为，同时提供氯投加量优化建议。研究团队还开发了在线预测平台，为水处理研究人员和工程技术人员提供便捷的污染物降解动力学预测工具。该研究为紫外/氯工艺在复杂水环境中的应用评估与运行优化提供了新的数据驱动方法。

本研究以 “Machine Learning-Guided Optimization of UV/Chlorine Process for Sustainable Micropollutant Abatement” 为题，发表于环境领域一区Top期刊 Journal of Hazardous Materials（原文链接：https://doi.org/10.1016/j.jhazmat.2026.141711）。南京大学前沿科学学院环境与健康研究院殷冉副教授为论文通讯作者。研究得到国家自然科学基金基础科学中心项目、江苏省自然科学基金、中央高校基本科研业务费及苏州市创新创业领军人才计划等项目的支持。