人工神经网络的使用用于模拟微塑料降解过程中的迁移污染物
Małgorzata Kida1, Kamil Pochwat2, Sabina Ziembowicz1
1Department of Chemistry and Environmental Engineering, Faculty of Civil and Environmental Engineering and Architecture Rzeszow University of Technology, 35-959 Rzeszów, Ave Powstańców Warszawy 6, Poland.
The Science of the total environment
|September 8, 2023
概括
人工神经网络 (ANN) 有效地预测微塑料添加剂排放,减少实验室测试. 这种机器学习方法显示出高精度,有助于环境保护和经济效率.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 微塑料污染造成的环境风险是由于添加物漏.
- 微塑料分解的实验室分析是复杂的,资源密集的.
- 开发预测模型可以优化环境监测并降低成本.
研究的目的:
- 评估模拟模型,特别是人工神经网络 (ANN) 在预测微塑料添加物排放方面的有效性.
- 减少在微塑料研究中需要进行广泛的实验室分析.
- 确定影响微塑料污染物释放的关键环境因素.
主要方法:
- 使用了专注于人工神经网络 (ANN) 的机器学习技术.
- 通过使用气体染色体质谱学 (GC-MS) 实验室数据开发和训练ANN模型.
- 多层感知子 (MLP) 网络被用来预测污染物漏,并为单个和组合参数开发了模型.
主要成果:
- 据ANN模型,特别是MLP,显示出高预测准确度,对各种参数的相关性水平超过95%.
- 综合纳入所有分析因素的全面ANN模型产生了令人满意的结果.
- 温度和保持时间被确定为影响电解导电性 (EC),溶解有机碳 (DOC) 和二二甲基酸盐 (DEHP) 排放的最有影响力的因素.
- 模型预测和实验室数据之间的相关性在EC,DEHP和DOC的0.94到0.99之间.
结论:
- 人工神经网络 (ANN) 是一种强大的机器学习工具,用于分析和预测微塑料分解的污染物排放.
- 开发的ANN模型为广泛的实验室测试提供了可靠和高效的替代方案.
- 这种方法支持环境保护工作,并提高了微塑料研究的经济效率.
