颠覆性创新视角下的未来环境工程技术

黄辉 ,  陆俊杰 ,  金丽丽 ,  任洪强

工程（英文） ›› 2024, Vol. 41 ›› Issue (10) : 153 -160.

PDF (3432KB)
工程（英文） ›› 2024, Vol. 41 ›› Issue (10) : 153 -160. DOI: 10.1016/j.eng.2024.06.009
研究论文

颠覆性创新视角下的未来环境工程技术

作者信息 +

The Future of Environmental Engineering Technology: A Disruptive Innovation Perspective

Author information +
文章历史 +
PDF (3513K)

摘要

科技革命和产业变革加速了环境工程技术的创新速度。然而，鲜有研究者对技术的现状和未来趋势进行评估。本文基于文献计量分析和绿色化、低碳化、智能化的未来趋势，总结了环境工程八大子领域（水处理、大气污染治理、土壤/固体废物治理、环境工程生物技术、环保工程设备、新污染物、减污降碳协同增效和环境风险智能治理）的当前研究状况。基于技术转轨性进一步研判潜在颠覆性技术，并提出十项此类技术，涵盖通用和专用领域、技术环节和颠覆类型。此外，文中还详细阐述了颠覆性技术的背景和关键创新。本研究不仅为环境工程领域的战略决策、规划和实施提供了科学依据，还为其他领域突破性技术的研究和确定提供了方法论指导。

Abstract

Scientific and technological revolutions and industrial transformations have accelerated the rate of innovation in environmental engineering technologies. However, few researchers have evaluated the current status and future trends of technologies. This paper summarizes the current research status in eight major subfields of environmental engineering—water treatment, air pollution control, soil/solid waste management, environmental biotechnology, environmental engineering equipment, emerging contaminants, synergistic reduction of pollution and carbon emissions, and environmental risk and intelligent management—based on bibliometric analysis and future trends in greenization, low carbonization, and intelligentization. Disruptive technologies are further identified based on discontinuous transformation, and ten such technologies are proposed, covering general and specific fields, technical links, and value sources. Additionally, the background and key innovations in disruptive technologies are elucidated in detail. This study not only provides a scientific basis for strategic decision-making, planning, and implementation in the environmental engineering field but also offers methodological guidance for the research and determination of breakthrough technologies in other areas.

关键词

环境工程技术 / 颠覆性创新 / 文献计量分析 / 转轨性

Key words

Environmental engineering technology / Disruptive innovation / Bibliometric analysis / Discontinuous transformation

Highlight

1.

Accelerated innovation of environmental engineering technologies in the new era.

2.

Current research status of eight subfields was analyzed by bibliometrics.。

3.

Disruptive technologies identified through discontinuous transformation characteristics.

4.

Ten technologies proposed from general and specific fields, technical links and innovation types.

5.

Backgrounds and key innovations of the disruptive technologies were elucidated.

引用本文

引用格式 ▾
黄辉,陆俊杰,金丽丽,任洪强. 颠覆性创新视角下的未来环境工程技术[J]. 工程（英文）, 2024, 41(10): 153-160 DOI:10.1016/j.eng.2024.06.009

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

环境工程是支撑人与自然和谐共生现代化建设的基础。中国共产党第二十次全国代表大会报告强调，要坚持“绿水青山就是金山银山”的理念，推动绿色发展。环境的复杂性、可转移性和系统性决定了环境工程技术的交叉融合。因此，未来环境工程的颠覆性创新将需要跨学科理论、方法和技术的融合，以形成新的理论和方法体系。

科技进步与产业升级加速了环境工程技术的变革。以人工智能（AI）、物联网（IOT）和大数据为代表的新一代信息技术为污染物的精准识别、控制和预测提供了重要支撑[1]。合成生物学与基因编辑等生物技术为高效智能的生物降解与生物修复系统的设计和构建提供了必要支持[2‒3]。以材料基因组学为代表的先进材料技术为污染控制方法的“按需设计”提供了关键支撑[4]。此外，数字孪生和虚拟现实等先进制造技术加速了环保制造业的智能化和可持续转型[5]。

由于科技革命、多学科融合以及全球气候变化的影响，环境工程领域发展迅速。然而，鲜有研究者总结该领域的未来发展方向和潜在的颠覆性创新，尤其是在环境研究快速发展的背景下。本文将环境工程学科划分为八个子领域，并对每个子领域的研究现状进行了文献计量分析。绿色化、低碳化和智能化是环境工程技术发展的主要趋势。此外，通过关注技术特征转轨性，从技术环节和颠覆类型以及背景和关键创新的角度，提出了十项颠覆性技术。这些技术包括先进材料的定向设计、污染物智能降解菌群、数字孪生设备、水质毒性归一化指标、基于水分子物性的膜分离材料、城市污水主流厌氧氨氧化、零副产物消毒工艺、微/纳米反应器、碳污同步转化以及污染物定向转化。本研究旨在为环境工程技术的未来创新提供方向，并为颠覆性技术的研究和评估提供方法论指导。

2 理论框架

Christensen在其开创性著作《创新者的窘境》中首次提出了颠覆性创新理论，该理论将颠覆性技术定义为提供与原始技术不同的价值来源[6]。颠覆性技术改变了现有技术的性能特征，从而引发了转轨性。在环境工程领域，绿色创新——在尊重自然资源的同时提高经济和社会效益，从而产生积极的社会影响[7]——被认为具有潜在的颠覆性。绿色创新技术的驱动力主要是环境层面的因素，如公共政策和市场需求[8]。然而，与传统创新相比，绿色创新需要外部和内部参与者之间建立更紧密的合作关系[9]。当内部管理者与外部组织，特别是与家族企业合作，共同实施根本性变革时，可以实现颠覆性创新[10]。

文献计量分析由Pritchard提出，是一种客观的统计方法，使研究人员能够快速了解相关领域的研究现状，并为未来的研究方向提供预测[11]。目前，文献计量分析已被多个领域的研究人员所采用，如人工智能[12]、半导体[13]、信息管理[14]和生物医学[15]。在环境工程领域，它仅被用于分析特定技术（化学技术[16]和生物技术[17]）的现状。本研究基于Christensen的颠覆性创新理论和文献计量分析，旨在通过以下方法和步骤（图1）评估环境工程中的颠覆性技术。

（1）根据环境学科的不同，将环境工程研究划分为八大子领域：水处理、大气污染治理、土壤/固体废物治理、环境工程生物技术、环保工程设备、新污染物、减污降碳协同增效和环境风险智能治理。选择Web of Science核心合集数据库作为数据源，并从过去六年（2018‒2023年）发表的“Article”和“Reviews”类型的相关文章中提取研究数据[18]。具体检索策略见表1。检索到的信息以纯文本格式保存，记录的内容包括“全记录”[19]。然后，使用COOC软件对关键词进行清洗和合并，并通过在Python matplotlib pyplot中构建的气泡图对研究结果进行可视化，以确定环境工程主要子领域的发展方向。为了简化随时间变化的关键词趋势，使用趋势因子（T）进行评估[20]。具体计算公式如下：

F R = ∑ 2021 2023 f i ∑ 2021 2023 N i
F P = ∑ 2018 2020 f i ∑ 2018 2020 N i
T = l o g   ( F R F P )

式中，fi 和Ni 分别为文章目标关键词在第i年的出现频次和第i年发表的文章总数；F R和F P分别为2021—2023年和2018—2020年目标关键词的出现频率。

（2）基本原理、技术方法和反应路径被定义为环境工程领域颠覆性创新的类型。通过关注技术特征转轨性，从通用和专用领域不同技术环节（监测、分离和反应）的角度分析原有技术，并将这些信息与专家意见相结合，确定了环境工程领域十项潜在的颠覆性技术。

3 环境工程技术的现状与未来趋势

基于环境工程子领域六年来关键词频率的变化，揭示了当前现状和未来趋势（图2 [21]）。气泡大小代表关键词频率，气泡位置代表关键词出现的年份。

在水处理领域[图2（a）] [22]，去除率、能耗、膜技术和纳米技术受到了高度关注；而在大气污染治理领域[图2（b）] [23]，空气质量、排放、传感器和大气建模则是热门话题。在土壤/固体废物治理领域[图2（c）]，研究人员重点关注废物管理、重金属和生命周期评估[24]。生物降解、修复和废弃物资源化利用是环境工程生物技术[图2（d）]的研究重点，这体现在关键词“环境修复”[25]上。在环保工程设备领域[图2（e）]，生物处理、物联网（IOT）和模拟是高频关键词。新污染物[图2（f）]的研究热点可分为污染物类型、特征和技术。微塑料、抗生素和内分泌干扰物是污染物研究的热点，热门研究特征包括毒性、暴露和风险评估，关键技术研究则集中在吸附、高级氧化工艺和微生物群落[26‒27]。减污降碳协同增效的当前研究现状如图2（g）所示，光还原、电还原和生物降解是主流技术。在环境风险智能治理领域[图2（h）]，风险评估、重金属、人类健康风险和环境健康是热门关键词，修复、监测和物联网是常用技术[28]。

在所有子领域中，机器学习和人工智能（AI）均以高人气出现。在土壤/固体废物治理、环保工程设备以及减污降碳协同增效等子领域，可持续性、可再生能源和修复技术受到了广泛关注，而在水处理、新污染物和环境风险智能治理领域，新污染物、微塑料则受到了更多关注。预计绿色化[29]、低碳化[30]和智能化[31]将成为环境工程技术未来发展的主要趋势。

4 环境工程领域的颠覆性技术

环境工程技术的颠覆性创新依赖于基本原理、技术方法和反应路径的价值变化。无论是通用领域（材料、菌群和设备）还是专用领域（水处理、大气污染治理和土壤/固体废物治理），以及监测、分离和反应所涉及的技术环节，都是至关重要的。因此，基于上述对主要子领域的分析，我们进一步关注了技术的转轨特性，并从通用领域、专用领域、技术环节和颠覆类型的角度对原创技术进行了评估。最终，我们提出了环境工程中的十项颠覆性技术（表2）。

4.1 环境工程领域的颠覆性技术

4.1.1 先进材料的定向设计

在当前环境工程领域先进材料的研究中，设计和创新仍然导致资源浪费和高昂支出[32]。通过材料基因组学——高通量材料设计与实验的整合，以及包含成分、结构和性能的材料数据库——必须改进所需结构的设计以及成分和工艺的优化，以实现材料的“按需设计”（图3）[33]。这一原理已应用于新型高效催化剂和吸附剂的制备。Jiang等[34]利用线性回归、支持向量机和随机森林等机器学习模型研究秸秆热解活性炭的性能，实现了秸秆活性炭材料的可控制备，同时减少了环境污染。最近，我们利用XGBoost模型[35]从理论数据库中准确预测了金属有机框架在处理不同污染物时的性能。数据互连、组件和结构的互操作性以及污染控制材料的性能——结合机器学习模型和传统机理模型的材料数据——是实现科学材料设计的关键创新。

4.1.2 污染物智能降解菌群

环境生物技术是环境工程的重要组成部分，而微生物则是环境生物技术的基石。然而，这些微生物降解典型污染物的能力尚不清楚。随着基因组学、合成生物学和微生态学的进步，微生物群落的靶向调控逐渐成为研究热点（图3）。调控方法包括创建污染降解组分、构建典型污染物的高效降解途径以及设计这些污染物的智能降解系统[36]。Yang等[37]通过对聚羟基脂肪酸酯（PHA）降解菌株的基因组分析，构建了苯并[a]芘和菲的潜在降解途径，为智能污染物降解提供了新的见解。未来，污染物降解菌群的快速进化和高通量筛选，以及降解微生物群落的高效转化和调控以降解复杂污染物，将成为该技术实现“自下而上”设计的关键创新。

4.1.3 数字孪生设备

环保工程设备为环境保护和污染控制提供了有力支持；然而，我国环保工程设备的研发与制造仍处于初级阶段。从数字化向智能化的过渡，需要信息与物理原理的融合以及物理设备的数字孪生技术[38]。数字孪生设备的开发依赖于数据平台——过程、能耗和数字孪生数据，这些数据平台能够进行结构和强度设计，以及实现自感知、自认知、学习、自决策、自执行和自优化的虚拟仿真，以促进设备的数字化升级，实现智能化生产（图3）[39]。目前，数字孪生设备已应用于电气、车辆工程、机械、钢铁和制药等领域，例如，在车辆健康监测、电池管理系统、电力电子转换器和电力驱动系统中的应用[40]。然而，这种方法在环境工程领域尚未得到广泛应用。基于时空异质性和多尺度数字孪生设备的建模方法（以及数模联动、虚实映射和一致性交互机制）有望成为未来关键的创新点。

4.2 水处理领域的颠覆性技术

4.2.1 水质毒性归一化指标

目前，基于分子、细胞或个体层面不同生物特性的复杂水质毒性指标众多，但这些指标存在毒性阈值信息量小、科学性低等局限性。此外，由于废水的成分复杂，为确保水质安全，进行全面的生物毒性研究更为实际。因此，有必要制定水质毒性归一化指标，以指导废水毒性控制新技术、新设备和新工艺的开发（图4）。这里有两个关键创新：一是基于大数据驱动的方法，用于开发水质综合毒性指标；二是确定综合毒性矩阵指标和简易二维码方法，以满足水质毒性指标在信息量、适配性和可扩展性方面的要求。

4.2.2 基于水分子物性的膜分离材料

膜分离是一项蓬勃发展的绿色技术，广泛应用于水处理领域。目前，常用的膜材料包括沸石类材料、石墨烯类材料、金属-有机框架、共价有机框架和石墨相氮化碳等。近年来，新兴的碳纳米流体技术为膜材料的研究提供了新的视角。例如，水通道蛋白因其高选择性、易操作性和环境友好性，已逐渐应用于海水淡化、废水处理和医学研究等领域[41]。然而，结构稳定性低和易结垢的问题限制了水通道蛋白的大规模工业应用[42]。在分子尺度上精确构筑亚纳米通道以及调控亚纳米通道中水分子传输的结构将是该技术的关键创新（图4）。

4.2.3 城市污水主流厌氧氨氧化

厌氧氨氧化工艺（anammox process）而非传统的硝化-反硝化工艺，已被全球公认为最有前景的污水处理工艺（曝气能耗降低60%，有机碳降低100%，污泥产量降低90% [43]）。然而，其在主流城市污水处理中的应用仍面临诸多障碍，如城市污水进水量不稳定和竞争性微生物难以定向控制；此外，该工艺在长期运行中未能取得令人满意的反硝化效果[44]。将厌氧氨氧化工艺从侧流扩展到主流，以适应城市污水中氨氮浓度较低的情况，是该领域的主要技术要求（图4）[45]。由于厌氧氨氧化细菌易受环境条件影响且亚硝酸盐供应不足，因此，原位选择性富集厌氧氨氧化细菌和完全自养脱氮菌群结构及功能的调控已成为城市污水主流厌氧氨氧化工艺的关键创新。

4.2.4 零副产物消毒工艺

消毒过程广泛应用于饮用水和医院废水的处理。然而，由于水解、交换和氧化还原反应，传统消毒过程会产生消毒副产物，这些副产物对人类健康和环境构成潜在风险[46]。因此，针对污染物的定向消毒和零副产物消毒工艺具有广阔的应用前景（图4）。目前，在物理能等清洁能源利用和非化学消杀作用原理方面已取得突破，例如，利用流体动力学通过纳米尖端表面与细胞包膜之间的高分散力，破坏细菌的完整性，从而实现可持续和绿色的水消毒[47]。该技术的关键创新在于表界面材料几何特征精确构筑与标准化制备，以及目标细菌和病原体选择性消灭原理及新工艺。

4.2.5 微/纳米反应器

在环境工程反应器中，通常会遇到一系列问题，如流体流动困难、混合困难、反应控制困难以及传质效率低等。随着精密加工和微化工技术的快速发展，微/纳米反应器日益受到关注。近年来，基于界面特性分析、实时监测以及废水和废气处理的动态观察，人们已投入大量努力来理解微/纳米反应器中的微尺度界面行为、多相界面调控以及微通道制造。微/纳米反应器领域的关键创新在于微尺度多相界面的动态调控以及高精度、低成本的微通道制造，以确保适当的规模化并实现反应高效、快速可控且过程绿色的工艺（图4）。

4.3 大气污染治理领域的颠覆性技术

中国的“双碳”目标涉及大气污染治理领域中碳排放与污染减排的耦合，其中，将碳和其他大气污染物协同转化为高价值化学品被认为是解决这一问题的有效途径（图5）。研究人员已利用产乙酸菌的Wood-Ljungdahl代谢途径，有效地转化了工业废气中的CO2和CO [48]。然而，现有研究很少涉及碳与污染物的协同转化，且存在能源供应和转化效率方面的问题[49]。未来，应更加关注开发一步反应中高价值化学品的闭环催化转化系统。关键创新在于设计具有高反应活性和目标产物得率的催化剂，以及对反应中间体和催化转化机制的原位实时监测。

4.4 土壤/固体废物治理领域的颠覆性技术

污染物脱毒和多种副反应是环境工程技术中遇到的问题。此外，新污染物的出现进一步增加了污染物去除的复杂性。因此，迫切需要针对性的污染物转化技术，以实现绿色化和低碳化。近年来，这一转化技术取得了进展，包括电子传递路径的设计（图5）。Chen等[50]开发了一种专门针对复杂污染物的多尺度分子模拟方法，并确定了微界面电子传递的潜在机制，为污染物的直接定向转化提供了技术支持。微生物介导的污染物脱毒及定向转化，以及复杂污染物转化的界面电子转移调控机制，将成为该技术实现可控转化、资源化利用和土壤/固体废物治理低碳目标的关键创新。

5 结论

本文基于文献计量分析，总结了环境工程八大子领域的研究现状，并阐述了未来绿色化、低碳化和智能化的趋势。通过技术转轨性识别出颠覆性技术，并从通用和专用领域、技术环节和颠覆类型等角度提出了十项颠覆性技术。此外，还详细阐述了颠覆性技术的背景和关键创新。然而，本研究存在一些局限性。首先，由于篇幅限制，仅总结了研究论文，而忽略了专利的分析和讨论；因此，应关注专利在颠覆性创新中的作用。此外，环境工程领域关于颠覆性技术的理论研究有限，颠覆性概念的定义也较为模糊。因此，在本研究中，我们通过专家咨询和讨论定义了三种类型的颠覆性技术。然而，这些并不包括所有可能的类别。未来，应开发更全面的理论和评估标准，以确定环境工程领域的颠覆性技术。

综上所述，本研究可为环境工程技术未来的创新方向提供参考，为环境工程领域的战略决策、规划和实施提供科学依据，并为其他领域突破性技术的研究提供方法论指导。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Zhong SF, Zhang K, Bagheri M, Burken JG, Gu A, Li BK, et al. Machine learning: new ideas and tools in environmental science and engineering. Environ Sci Tec 2021;55(19):12741‒54.
[2]

Liu H, Zhang LG, Wang WW, Hu HY, Ouyang XY, Xu P, et al. An Intelligent synthetic bacterium for chronological toxicant detection, biodegradation, and its subsequent suicide. Adv Sci 2023;10:31. . 10.1002/advs.202304318
[3]

Jaiswal S, Singh DK, Shukla P. Gene editing and systems biology tools for pesticide bioremediation: a review. Front Microbiol 2019;10:87. . 10.3389/fmicb.2019.00087
[4]

Jablonka KM, Ongari D, Moosavi SM, Smit B. Big-data science in porous materials: materials genomics and machine learning. Chem Rev 2020;120(16):8066‒129. . 10.1021/acs.chemrev.0c00004
[5]

Bolorinos J, Mauter MS, Rajagopal R. Integrated energy flexibility management at wastewater treatment facilities. Environ Sci Tec 2023;57(46):18362‒71. . 10.1021/acs.est.3c00365
[6]

Wan F, Williamson PJ, Yin E. Antecedents and implications of disruptive innovation: evidence from China. Technovation 2015;39‒40:94‒104.
[7]

Cillo V, Petruzzelli AM, Ardito L, Del Giudice M. Understanding sustainable innovation: a systematic literature review. Corp Soc Resp Env Ma 2019;26(5):1012‒25. . 10.1002/csr.1783
[8]

Ardito L, Petruzzelli AM, Pascucci F, Peruffo E. Inter-firm R&D collaborations and green innovation value: the role of family firms’ involvement and the moderating effects of proximity dimensions. Bus Strateg Environ 2019;28(1):185‒97. . 10.1002/bse.2248
[9]

Petruzzelli AM, Dangelico RM, Rotolo D, Albino V. Organizational factors and technological features in the development of green innovations: evidence from patent analysis. Innov Organ Manag 2011;13(3):291‒310. . 10.5172/impp.2011.13.3.291
[10]

Urbinati A, Esfandabadi ZS, Petruzzelli AM. Assessing the interplay between open innovation and sustainability-oriented innovation: a systematic literature review and a research agenda. Bus Ethics Environ Resp 2023;32(3):1078‒95. . 10.1111/beer.12540
[11]

Tandon A, Kaur P, Mäntymäki M, Dhir A. Blockchain applications in management: a bibliometric analysis and literature review. Technol Forecast Soc Chang 2021;166:120649. . 10.1016/j.techfore.2021.120649
[12]

Wamba SF, Bawack RE, Guthrie C, Queiroz MM, Carillo KDA. Are we preparing for a good AI society? A bibliometric review and research agenda. Technol Forecast Soc Chang 2021;164:120482. . 10.1016/j.techfore.2020.120482
[13]

Kang I, Yang J, Lee W, Seo EY, Lee DH. Delineating development trends of nanotechnology in the semiconductor industry: focusing on the relationship between science and technology by employing structural topic model. Technol Soc 2023;74:102326. . 10.1016/j.techsoc.2023.102326
[14]

Yalcin H, Daim T. A scientometric review of technology capability research. J Eng Technol Manag 2021;62:101658. . 10.1016/j.jengtecman.2021.101658
[15]

O’Leary JD, Crawford MW, Jurczyk E, Buchan A. Benchmarking bibliometrics in biomedical research: research performance of the University of Toronto’s faculty of medicine, 2008‒2012. Scientometrics 2015;105(1):311‒21. . 10.1007/s11192-015-1676-5
[16]

Sun XZ, Jin LL, Zhou FY, Jin K, Wang LC, Zhang XX, et al. Patent analysis of chemical treatment technology for wastewater: status and future trends. Chemosphere 2022;307(4):135802. . 10.1016/j.chemosphere.2022.135802
[17]

Jin LL, Sun XZ, Ren HQ, Huang H. Hotspots and trends of biological water treatment based on bibliometric review and patents analysis. J Environ Sci 2022;125:774‒85. . 10.1016/j.jes.2022.03.037
[18]

Jin LL, Sun XZ, Ren HQ, Huang H. Biological filtration for wastewater treatment in the 21st century: a data-driven analysis of hotspots, challenges and prospects. Sci Total Environ 2022;855:158951. . 10.1016/j.scitotenv.2022.158951
[19]

Zamani M, Yalcin H, Naeini AB, Zeba G, Daim TU. Developing metrics for emerging technologies: identification and assessment. Technol Forecast Soc Chang 2022;176:121456. . 10.1016/j.techfore.2021.121456
[20]

Jin LL, Lu JJ, Sun XZ, Huang H, Ren HQ. Data-driven insights into treatment of sulfur-containing organic wastewater. J Clean Prod 2023;433:139878. . 10.1016/j.jclepro.2023.139878
[21]

Huang H, Ma R, Ren HQ. Scientific and technological innovations of wastewater treatment in China. Front Environ Sci Eng 2024;18(6):72. . 10.1007/s11783-024-1832-3
[22]

Xiao K, Liang S, Wang XM, Chen CS, Huang X. Current state and challenges of full-scale membrane bioreactor applications: a critical review. Bioresour Technol 2018;271:473‒81. . 10.1016/j.biortech.2018.09.061
[23]

Rao S, Klimont Z, Smith SJ, Van Dingenen R, Dentener F, Bouwman L, et al. Future air pollution in the shared socio-economic pathways. Global Environ Chang 2017;42:346‒58. . 10.1016/j.gloenvcha.2016.05.012
[24]

Wu HY, Zuo J, Zillante G, Wang JY, Yuan HP. Status quo and future directions of construction and demolition waste research: a critical review. J Clean Prod 2019;240:118163. . 10.1016/j.jclepro.2019.118163
[25]

Xie P, Chen C, Zhang CF, Su GY, Ren NQ, Ho SH. Revealing the role of adsorption in ciprofloxacin and sulfadiazine elimination routes in microalgae. Water Res 2020;172:115475. . 10.1016/j.watres.2020.115475
[26]

Morin-Crini N, Lichtfouse E, Fourmentin M, Ribeiro ARL, Noutsopoulos C, Mapelli F, et al. Removal of emerging contaminants from wastewater using advanced treatments: a review. Environ Chem Lett 2022;20(2):1333‒75. . 10.1007/s10311-021-01379-5
[27]

Ghattas AK, Fischer F, Wick A, Ternes TA. Anaerobic biodegradation of (emerging) organic contaminants in the aquatic environment. Water Res 2017;116:268‒95. . 10.1016/j.watres.2017.02.001
[28]

Wang Z, Luo PP, Zha XB, Xu CY, Kang SX, Zhou MM, et al. Overview assessment of risk evaluation and treatment technologies for heavy metal pollution of water and soil. J Clean Prod 2022;379(2):134043. . 10.1016/j.jclepro.2022.134043
[29]

Qi Y, Xie XQ, Chen XX. Effects of environmental regulation and corporate environmental commitment: complementary or alternative? Evidence from China. J Clean Prod 2023;423:138641. . 10.1016/j.jclepro.2023.138641
[30]

Wei YM, Chen KY, Kang JN, Chen WM, Zhang XY, Wang XY. Policy and management of carbon peaking and carbon neutrality: a literature review. Engineering 2022;14:52‒63. . 10.1016/j.eng.2021.12.018
[31]

Tang DC, Wang LX, Bethel BJ. An evaluation of the Yangtze River Economic Belt manufacturing industry level of intelligentization and influencing factors: evidence from China. Sustainability 2021;13(16):8913. . 10.3390/su13168913
[32]

Lai WQ, Zhang K, Shao PH, Yang LM, Ding L, Pavlostathis SG, et al. Optimization of adsorption configuration by DFT calculation for design of adsorbent: a case study of palladium ion-imprinted polymers. J Hazard Mater 2019;379:120791. . 10.1016/j.jhazmat.2019.120791
[33]

Cole, JM. A Design-to-device pipeline for data-driven materials discovery. Acc Chem Res 2020;53(3):599‒610. . 10.1021/acs.accounts.9b00470
[34]

Jiang W, Xing XJ, Li S, Zhang XW, Wang WQ. Synthesis, characterization and machine learning based performance prediction of straw activated carbon. J Clean Prod 2019;212:1210‒23. . 10.1016/j.jclepro.2018.12.093
[35]

Li JH, Wang JW, Mu HX, Hu HD, Wang JF, Ren HQ, Wu B. Prediction of adsorptive activities of MOFs for pollutants in aqueous phase based on machine learning. ACS EST Eng 2023;3(9):1258‒66. . 10.1021/acsestengg.3c00086
[36]

Liu H, Zhang LG, Wang WW, Hu HY, Ouyang XY, Xu P, et al. An intelligent synthetic bacterium for chronological toxicant detection, biodegradation, and its subsequent suicide. Adv Sci 2023;10(31):e2304318. . 10.1002/advs.202304318
[37]

Yang HC, Qian ZH, Liu YJ, Yu F, Huang TW, Zhang B, et al. Comparative genomics reveals evidence of polycyclic aromatic hydrocarbon degradation in the moderately halophilic genus Pontibacillus. J Hazard Mater 2023;462:132724. . 10.1016/j.jhazmat.2023.132724
[38]

Tao F, Zhang M, Liu YS, Nee AYC. Digital twin driven prognostics and health management for complex equipment. CIRP Ann Manuf Technol 2018;67(1):169‒72. . 10.1016/j.cirp.2018.04.055
[39]

Tao F, Zhang CY, Zhang H, Cheng JF, Zou XF, Xu H, et al. Future equipment exploration: digital twin equipment. Comput Integr Manuf Syst 2022;28(1):1‒16.
[40]

Bhatti G, Mohan H, Singh RR. Towards the future of smart electric vehicles: digital twin technology. Renew Sustain Energy Rev 2021;141:110801. . 10.1016/j.rser.2021.110801
[41]

Lim YJ, Goh K, Wang R. The coming of age of water channels for separation membranes: from biological to biomimetic to synthetic. Chem Soc Rev 2022;51(11):4537‒82. . 10.1039/d1cs01061a
[42]

Yang Y, Dementyev P, Biere N, Emmrich D, Stohmann P, Korzetz R, et al. Rapid water permeation through carbon nanomembranes with sub-nanometer channels. ACS Nano 2018;12(5):4695‒701. . 10.1021/acsnano.8b01266
[43]

Mao NJ, Ren HQ, Geng JJ, Ding LL, Xu K. Engineering application of anaerobic ammonium oxidation process in wastewater treatment. World J Microb Biot 2017;33(8):153. . 10.1007/s11274-017-2313-7
[44]

Trinh HP, Lee SH, Jeong G, Yoon H, Park HD. Recent developments of the mainstream anammox processes: challenges and opportunities. J Environ Chem Eng 2021;9(4):105583. . 10.1016/j.jece.2021.105583
[45]

Zhang L, Jiang L, Zhang JT, Li JL, Peng YZ. Enhancing nitrogen removal through directly integrating anammox into mainstream wastewater treatment: advantageous, issues and future study. Bioresour Technol 2022;362:127827. . 10.1016/j.biortech.2022.127827
[46]

Sun XF, Chen M, Wei D, Du YG. Research progress of disinfection and disinfection by-products in China. J Environ Sci 2019;81:52‒67. . 10.1016/j.jes.2019.02.003
[47]

Peng L, Zhu HJ, Wang HB, Guo ZB, Wu QY, Yang C, et al. Hydrodynamic tearing of bacteria on nanotips for sustainable water disinfection. Nat Commun 2023;14(1):5734. . 10.1038/s41467-023-41490-5
[48]

Song Y, Lee JS, Shin J, Lee GM, Jin S, Kang S, et al. Functional cooperation of the glycine synthase-reductase and Wood-Ljungdahl pathways for autotrophic growth of Clostridium drakei . Proc Nat Acad Sci 2020;117(13):7516‒23. . 10.1073/pnas.1912289117
[49]

Hu LZ, Guo SQ, Wang B, Fu RZ, Fan DD, Jiang M, et al. Bio-valorization of C1 gaseous substrates into bioalcohols: potentials and challenges in reducing carbon emissions. Biotechnol Adv 2022;59:107954. . 10.1016/j.biotechadv.2022.107954
[50]

Chen JJ. Interfacial electron transfer in chemical and biological transformation of pollutants in environmental catalysis. Environ Sci Technol 2024;57(51):21540‒9. . 10.1021/acs.est.3c05608

AI Summary AI Mindmap
PDF (3432KB)

11723

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉