基于机器学习的预测和实验验证实了矿和酸盐在生物炭上的取
Wei Zhang1, Waqar Muhammad Ashraf2, Sachini Supunsala Senadheera3
1Korea Biochar Research Center, APRU Sustainable Waste Management & Division of Environmental Science and Ecological Engineering, Korea University, Seoul 02841, Republic of Korea; School of Environmental Science and Engineering, Guangzhou University, Guangzhou 510006, PR China.
The Science of the total environment
|September 1, 2023
概括
机器学习准确地预测了在生物炭上的吸附,用于净化水. XGBoost模型确定了初始的度和吸附剂剂量作为有效去除的关键因素.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
背景情况:
- 水中的污染对人类健康构成重大风险.
- 生物炭是一种有前途的吸收剂,可以从水中去除.
- 了解生物炭上的吸附机制对于水处理至关重要.
研究的目的:
- 开发准确的预测模型,用于化物[As(III]和化物[As(V) 在生物炭上的吸附.
- 确定影响吸附效率的关键因素.
- 评估机器学习优化从水中去除的潜力.
主要方法:
- 编制了关于对生物炭吸附的文献数据.
- 开发并比较机器学习模型 (AdaBoost,LGBoost,XGBoost).
- 利用生物炭的组成和结构特性作为输入特征.
主要成果:
- XGBoost模型在预测As(III) (R2=0.93) 和As(V) (R2=0.99) 吸附方面表现出很高的准确性.
- 的初始度和吸附剂剂量是影响吸附的最重要因素.
- 生物炭的结构性质和成分也在吸附变异性中发挥了作用.
结论:
- 机器学习,特别是XGBoost,是预测生物炭上吸附的宝贵工具.
- 这些模型可以帮助估计最佳吸附条件,并作为污染水的早期预警系统.
- 这种方法有助于恢复和回收污染的水资源.
