提高生物炭中的吸附能力预测:对机器学习模型和参数优化的比较研究

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:

• 预测生物炭中吸附的机器学习模型尚未开发.
• 现有的模型在实际环境应用中缺乏足够的准确性.

研究的目的:

• 开发和比较机器学习模型 (BPNN和RF) 用于预测生物炭中的吸附.
• 确定影响吸附的关键生物炭制备特征.
• 通过特征选择和优化来提高模型准确性.

主要方法:

• 开发了反向传播神经网络 (BPNN) 和随机森林 (RF) 模型.
• 使用的特征:制备温度 (T),特定表面积 (BET),相对碳含量 (C),H/C,O/C,N/C比率和阴离子交换能力 (CEC).
• 应用特征选择和粒子群集优化,以改进射频模型.

主要成果:

• 射频模型表现出比BPNN更高的性能,R2提高了10%.
• 优化的射频模型实现了8.3%的R2增加,高达56.1%的RMSE减少和55.7%的MAE减少.
• 功能重要性排名:CEC > C > BET > O/C > H/C > N/C > T,强调了CEC的作用.

结论:

• 机器学习,特别是带有优化的射频,为预测生物炭中的吸附提供了一个强大的工具.
• 阴离子交换能力 (CEC) 是预测吸附的一个关键特征.
• 这些发现支持开发优化的生物炭,以有效地去除水处理中的.