使用机器学习中的提升算法评估工业废水废水的毒性:关于生态毒性预测和控制战略开发的案例研究

科学领域:

• 环境科学 环境科学
• 人工智能的人工智能
• 生态毒理学 生态毒理学

背景情况:

• 工业废水污水往往含有持续的重金属痕迹,对水生生态系统构成风险.
• 传统的生态毒性评估方法,包括动物试验和生物测试,在伦理上是有问题的,昂贵,耗时.
• 需要快速,具有成本效益和可靠的方法来评估工业废水的生态毒性.

研究的目的:

• 提出和验证一种基于人工智能的水质评估 (AiWA) 方法,用于预测工业废水的生态毒性.
• 提高生态毒性评估过程的速度和成本效益.
• 确定影响生态毒性的关键参数,以改善废水管理.

主要方法:

• 从韩国21个不同行业收集了99个废水样本.
• 测量了14个物理化学和生态毒理学参数.
• 开发并比较提升算法,特别是极端梯度提升 (XGBoost) 和自适应提升 (AdaBoost),用于预测建模.

主要成果:

• 基于XGBoost的AiWA模型实现了对综合毒性单位 (ITU) 的高预测性能 (R2 > 0.94,RMSE = 3.5毒性单位).
• 特性选择确定导电性,铜,,,pH和作为生态毒性的关键预测因素.
• 确定非有毒排放 (TU ≤1) 的最佳条件是pH值6.88.4和导电率<1651μS/cm.

结论:

• 基于XGBoost的AiWA模型为预测工业废水生态毒性提供了显著改进和高效的方法.
• pH值和导电性被确定为评估生态毒性水平的关键指标.
• 这些发现支持快速,经济有效地检测重金属生态毒性,帮助废水管理决策.