使用机器学习预测沉积物修改的活性炭对疏水性有机污染物的明显吸附能力

科学领域:

• 环境科学 环境科学
• 环境化学环境化学
• 数据科学数据科学数据科学

背景情况:

• 使用活性炭 (AC) 进行现场稳定是处理污染了疏水性有机化合物 (HOCs) 的沉积物的一个关键方法.
• 由于缺乏预测模型,很难预测AC在沉积物混合中的吸附能力.
• 开发准确的模型对于优化基于AC的沉积物修复策略至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测HOCs的沉积物修改AC的表面吸附能力 (KAC,表面).
• 在复杂的沉积物系统中确定影响HOC吸附的关键因素.
• 评估ML在预测环境应用中的交流性能方面的实用性.

主要方法:

• 编制并利用现有文献中186个实验结果的数据集.
• 开发和比较使用不同的框架,算法和输入特征的各种ML模型.
• 使用测试数据集上的确定系数 (R2) 等指标评估模型性能.

主要成果:

• 最好的ML模型实现了logKAC的高预测准确性,在测试组上显然有R2 = 0.94.
• 模型预测与大多数数据点的实验KAC,明显值 (在0.5日志单位内) 密切匹配.
• 确定的关键预测因素是HOC疏水性和AC粒子大小,与既有知识保持一致.

结论:

• 机器学习为预测复杂的环境矩阵 (如沉积物) 中的交流吸附能力提供了一个强大的工具.
• 该研究确定了HOC疏水性和AC粒子大小作为关键因素,证实了现有的理论.
• 关于沉积物特征,接触时间和AC剂量的ML模型发现需要进一步调查,可能完善修复方案.