メタルオキシドへの Tl(I) 吸収の予測と,機械学習ベースのモデルを使用して,重要な要因の特定

科学分野:

• 環境科学と工学
• 材料科学
• コンピュータ化学

背景:

• タリウム (Tl+) は,世界的に蔓延している有毒元素で,効果的な除去戦略が必要である.
• 吸附はタリウム除去の一般的な方法ですが,従来の研究は予測と因数分析に限界があります.
• 機械学習 (ML) は,吸収研究におけるこれらの限界を克服するための新しいアプローチを提供します.

研究 の 目的:

• 金属酸化物によるタリウム (Tl+) 吸収を予測するための機械学習モデルを開発し,評価する.
• Tl+吸収に対する環境条件 (pH,温度,時間,濃度) と吸着剤の投与量の影響を同時に評価する.
• Tl+吸収効率に影響を与える様々な要因の重要性を定量化する.

主な方法:

• 金属酸化物によるTl+吸収に関する30以上の論文から得られた414のデータポイントを用いて,ML予測モデルを開発した.
• 溶液のpH,反応温度,反応時間,Tl+の初期濃度,および吸着剤の用量による吸着結果の影響を評価した.
• 影響要因の重要性を定量化するために,バッグ外エラーとピアソン相関係数を用いた.
• ランダムフォレスト (RF),最小平方サポートベクトルマシン (LSSVM),粒子群最適化-サポートベクトルマシン (PSO-SVM) の予測性能を比較した.

主要な成果:

• 溶液のpHと初期Tl+濃度 (C0) が最も重要な要因として特定され,合計で吸着に50%以上貢献した.
• 最小平方支持ベクトルマシン (LSSVM) モデルは,R2 > 0.9で優れた予測精度を示した.
• 開発されたMLモデルは,金属酸化物に対するTl+吸収効率を予測するための普遍的なツールを提供します.

結論:

• この研究は,伝統的な方法の限界を克服し,金属酸化物による Tl+吸収の予測のための機械学習を成功裏に導入しました.
• 開発されたLSSVMモデルは,タリウム除去効率を予測するための強力で正確なツールを提供します.
• 将来の研究は,モデルの普遍性と予測能力を高めるために,材料の性質を組み込むべきである.