使用机器学习算法预测纳米粒子的运输行为:重要特征的物理意义
Sayan Banerjee1, Km Bhavna2, Trishikhi Raychoudhury1
1Department of Civil and Infrastructure Engineering, Indian Institute of Technology Jodhpur, Karwar, Rajasthan 342030, India.
Journal of contaminant hydrology
|September 4, 2023
概括
机器学习模型准确地预测了多孔介质中的纳米粒子运输. 诸如泽塔潜力,离子强度和pH等关键因素对于运输行为预测比NP类型更有影响力.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 越来越多的人对纳米粒子 (NP) 暴露的担忧,需要了解它们的环境传输.
- 在多孔介质中对NP传输的现有研究为预测建模提供了基础.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测各种NP的运输效率 (保留率).
- 确定影响NP传输行为在多孔介质中的关键特征.
主要方法:
- 来自对银 (nAg),二氧化 (nTiO2),氧化 (nZnO) 和氧化石墨烯 (nGO) 的已发表研究数据的汇编.
- 应用随机森林,XGBoost和CatBoost算法,并使用合成少数群体过量采样技术 (SMOTE) 进行增强.
- 保留分数 (RF) 是目标变量,训练了包括粒子特征,溶液化学,多孔介质特性和流速在内的特征.
主要成果:
- 与SMOTE相结合的CatBoost算法表现出卓越的性能,实现R2>0.89和MSE<0.007在各种NP中预测射频.
- 特性重要性分析显示,泽塔电位,离子强度 (IS),pH和粒子直径 (或粒径) 是关键预测因素 (>75%重量).
结论:
- 该研究强调,主导特征,而不是特定的NP类型,主要控制运输行为预测.
- 预测模型的可靠性通过与物理运输原则保持一致的重要特征来提高.
