功能工程用于改进机器学习辅助的研究重金属在生物炭上的吸附

科学领域:

• 环境化学环境化学
• 材料科学 材料科学 材料科学
• 计算化学计算化学

背景情况:

• 生物炭被广泛研究为废水中的重金属吸附.
• 机器学习 (ML) 模型越来越多地用于预测生物炭吸附能力.
• 现有的ML研究优先考虑算法开发而不是特征工程.

研究的目的:

• 为增强ML模型性能设计生物碳特性.
• 为了提高重金属吸附的ML模型的解释性和通用性.
• 确定用于预测吸附能力的关键生物炭特征.

主要方法:

• 在分子基础上对生物炭的工程元素组成特征.
• 开发了一个梯度增强回归 (GBR) 模型.
• 引入了一个新的元素比特征, (H-O-2N) / C,用于模型解释.
• 通过结合外部数据,扩大了模型的通用性.

主要成果:

• 获得了0.997的测试R2 GBR型号的工程特征.
• (H-O-2N) /C比率和生物炭pH被确定为关键预测指标,取代了传统指标,如阴离子交换能力 (CEC).
• 验证了与外部数据集的模型通用性,显示R2为0.78 (没有CEC/SSA) 和0.72 (实验数据).

结论:

• 特性工程显著提高了基于生物炭的重金属吸附的ML模型预测性能和可解释性.
• 拟议的 (H-O-2N) /C特征为吸附机制提供了有价值的见解.
• 开发的ML模型显示出强大的通用性和在废水处理中实际应用的潜力.