基于机器学习的预测,用于各种形状的微塑料的沉降速度
Shangtuo Qian1, Xuyang Qiao2, Wenming Zhang3
1National Key Laboratory of Water Disaster Prevention, Hohai University, Nanjing, Jiangsu 210024, China; College of Agricultural Science and Engineering, Hohai University, Nanjing 211100, China.
Water research
|December 19, 2023
概括
机器学习模型通过考虑尺寸,密度和形状来准确预测微塑料沉速度. 这些模型的性能优于现有的方法,强调了尺寸是水生环境中微塑料运输的最关键因素.
科学领域:
- 环境科学 环境科学
- 流体动力学 流体动力学
- 计算科学 计算科学
背景情况:
- 微塑料污染了水生生态系统,影响了水体的运输和分配.
- 准确预测微塑料终端沉速度对于了解它们的环境命运至关重要.
- 现有的模型很难预测各种形状的微塑料的沉速度.
研究的目的:
- 开发高性能机器学习模型,用于预测微塑料终端沉速度.
- 确定影响微塑料沉速度的关键特征参数.
- 分析每个参数对预测准确性的重要性和影响.
主要方法:
- 基于主要尺寸的微塑料形状 (纤维,薄膜,碎片) 的分类.
- 确定了每个类别的最佳形状参数 (Corey形状因子,平坦度,延伸度,球性).
- 利用了无维直径,相对密度和最佳形状参数的机器学习模型.
主要成果:
- 机器学习模型在预测各种微塑料形状的终端沉速度时实现了R2 > 0.867.
- 这些模型的表现明显优于现有的理论和回归模型.
- 微塑料的大小被确定为最重要的因素,形状效应对较大的微塑料 (D*>65) 变得显著.
结论:
- 机器学习为预测微塑料终端沉速度提供了一个强大的框架.
- 准确的预测对于管理水生环境中的微塑料污染至关重要.
- 了解尺寸和形状参数的影响,可以增强环境运输模型.
