相关实验视频
Updated: Jul 16, 2026

09:13
Experimental Multiscale Methodology for Predicting Material Fouling Resistance
1.5K
利用机器学习在透反应屏障 (PRB) 中进行反应材料选择和宽度设计
Yangmin Ren1, Mingcan Cui1, Yongyue Zhou1
1School of Civil, Environmental, and Architectural Engineering, Korea University, 145 Anam-ro, Seongbuk-gu, Seoul 02841, Republic of Korea.
Water research
|January 13, 2024
概括
机器学习 (ML) 通过准确预测污染物运输和优化材料选择来增强透反应屏障 (PRB) 设计. 这种方法提高了效率,并减少了地下水整治的实验时间.
科学领域:
- 环境工程 环境工程
- 水处理技术水处理技术
- 机器学习应用 机器学习应用
背景情况:
- 透反应屏障 (PRBs) 对于地下水整治至关重要.
- 最佳的材料选择和宽度估计在PRB设计中带来了重大挑战.
- 机器学习 (ML) 为预测污染物运输和演变提供了潜力.
研究的目的:
- 开发和验证用于设计PRB的ML模型.
- 为了提高预测PRB性能和尺寸的准确性.
- 通过数据驱动的方法提高PRB设计的效率.
主要方法:
- 开发一个ML算法用于PRB设计.
- 使用实验数据和案例研究进行验证.
- 应用夏普利添加式扩展 (SHAP) 进行因子分析.
- 整合一个评估索引与专家意见,用于材料选择.
- 基于ML的大众运输区域宽度的预测.
主要成果:
- 机器学习模型在预测弗洛伊德利希平衡参数 (R2 0.94-0.96) 中表现出高准确度.
- 根据SHAP分析改进输入参数进一步提高了预测准确度 (R2 0.99).
- ML准确预测了大众运输区的宽度 (R2 0.98,RMSE 1.2).
- 与传统方法相比,基于机器学习的设计提高了效率,减少了实验时间.
结论:
- ML为PRB设计提供了可行和准确的方法,优化了材料选择和宽度估计.
- 开发的ML模型显著提高了设计效率,并减少了实验工作量.
- 进一步的数据扩展和算法优化有可能为ML在PRB技术中的更广泛应用提供潜力.

