Predicción de la adsorción de Tl{I} en óxidos metálicos e identificación de los factores críticos mediante un modelo...

Área de la Ciencia:

• Ciencias e Ingeniería Ambiental
• Ciencias de los materiales
• Química computacional

Sus antecedentes:

• El talio (Tl+) es un elemento tóxico de prevalencia mundial que requiere estrategias efectivas de eliminación.
• La adsorción es un método común para la eliminación de talio, pero los estudios tradicionales tienen limitaciones en la predicción y el análisis de factores.
• El aprendizaje automático (ML) ofrece un nuevo enfoque para superar estas limitaciones en la investigación de la adsorción.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático para predecir la adsorción de talio (Tl+) por materiales de óxido metálico.
• Evaluar simultáneamente la influencia de las condiciones ambientales (pH, temperatura, tiempo, concentración) y la dosis del adsorbente en la adsorción de Tl+.
• Cuantificar la importancia de varios factores que afectan a la eficiencia de adsorción de Tl+.

Principales métodos:

• Se han desarrollado modelos de predicción de ML utilizando 414 datos de más de 30 artículos publicados sobre la adsorción de Tl+ por los óxidos metálicos.
• Se evaluó el impacto del pH de la solución, la temperatura de reacción, el tiempo de reacción, la concentración inicial de Tl+ y la dosis de adsorbente en los resultados de adsorción.
• Se utilizó el error fuera de la bolsa y el coeficiente de correlación de Pearson para cuantificar la importancia de los factores de influencia.
• Se comparó el rendimiento predictivo de los modelos de Bosque aleatorio (RF), Máquina vectorial de soporte de mínimos cuadrados (LSSVM) y Máquina vectorial de soporte de optimización de enjambre de partículas (PSO-SVM).

Principales resultados:

• El pH de la solución y la concentración inicial de Tl+ (C0) fueron identificados como los factores más significativos, contribuyendo en conjunto a más del 50% de la adsorción.
• El modelo de Máquina Vectorial de Soporte de Mínimos Cuadrados (LSSVM) demostró una excelente precisión de predicción, con R2 > 0,9.
• El modelo ML desarrollado proporciona una herramienta universal para predecir la eficiencia de adsorción de Tl+ en óxidos metálicos.

Conclusiones:

• Este estudio introdujo con éxito el aprendizaje automático para la predicción de la adsorción de Tl + por los óxidos metálicos, superando las limitaciones de los métodos tradicionales.
• El modelo LSSVM desarrollado ofrece una herramienta poderosa y precisa para predecir la eficiencia de la eliminación del talio.
• La investigación futura debe incorporar las propiedades de los materiales para mejorar la universalidad del modelo y las capacidades predictivas.