由于过硫酸盐的O-O键断裂所产生的SO4·-比其余自由基具有更长的半衰期和更高的氧化还原电位,因此基于硫酸根的高级氧化工艺（SR-AOPs）被认为可广泛用于降解持久性有机污染物,例如水体中残留药品和个人护理产品。SR-AOPs中的非自由基降解途径受到了热烈地研究与讨论,因最近研究发现其具有以下显着优点:1)具有良好的抗干扰能力和广泛适应性;2)可以有效的避免自由基自猝灭效应;3)可以最大限度地开发氧化剂的氧化能力。因此,强化非自由基途径的贡献对于进一步提高SR-AOPs的性能来说非常重要。碳基材料,由于无金属泄漏、耐酸碱腐蚀、生物相容性强、可重复利用性和多功能性等优点,被认为是多相催化反应的绿色催化剂。其中,生物炭因其低廉的成本和丰富的生物质前体种类而成为一种更好的催化剂候选者。由于高度石墨化和丰富的含氧官能团可以调节生物炭内部的电子结构,具有优异电化学特性的生物炭材料最近在环境修复领域引起了巨大的科学兴趣。然而,不同的制备条件和参数会使生物炭呈现复杂的特性,如不能准确揭示内在联系,会严重阻碍了其在高级氧化领域中的进一步应用。此外,含氧量高的生物质前体在制备出的生物炭中会带有更多的含氧官能团。作为生物炭中潜在的活性位点,不同的含氧量也会对降解途径产生巨大影响,使得其难以应用于定向促进AOPs的非自由基途径。因此,制备参数和生物质前体成分将对生物炭的性质产生综合影响。这将阻碍其在对SR-AOP工艺催化中活性中心的判断,使生物炭的定向设计更具挑战性。机器学习（ML）作为一种强大的、能够批量处理大规模数据的数据挖掘技术而受到广泛关注,其在环境管理和修复方面具有巨大潜力。目前,其已成功应用于建模解决废水处理系统,异常检测和新材料设计等方向的数据问题。其中,对材料的合理设计而言,因为ML可对文章中的大量实验数据进行高效的自我学习,从而实现对功能材料设计的卓越的指导能力。但不幸的是,到目前为止,由于缺乏相关数据集。使用ML技术对基于生物炭催化的AOPs工艺的系统研究仍然缺乏。因此,将ML引入合理的生物炭合成,以加快探索材料合成的周期并提高其催化能力值得深入研究。本篇论文通过将ML引入的定向增强非自由基途径的生物炭（NRBC）的热解合成过程。基于机器学习理论,使用构建的BC-AOPs数据集来训练XGBoost、MLP、SVM等模型,从而学习数据集中能显着调节生物炭的非自由基降解催化性能的隐藏信息。随后通过模型分析手段对NRBC的制备参数和性质的相关性进行了深入分析,提出了针对NRBC制备的两个假设。此外,借助理论计算和实验手段,全面地说明了NRBC在非自由基降解过程中的本征活性中心。总而言之,本论文证明了ML辅助的合成策略在用于环境修复的功能性材料的合理定向设计中起着至关重要的作用。