在光催化研究中组合机器学习模型的组合,使用纳米TiO2 - 基于的生物炭
Abhayasimha K C1, Chinta Sankar Rao1, Vaishakh Nair1
1Department of Chemical Engineering, National Institute of Technology Karnataka (NITK), Surathkal, Mangalore, Karnataka, 575025, India.
Chemosphere
|February 1, 2024
概括
这项研究开发了TiO2:以素为基础的生物炭 (TLB) 复合材料,用于高效的光催化剂染料降解. 优化的TLB实现了96.72%的退化,机器学习模型准确地预测了性能.
科学领域:
- 材料科学 材料科学 材料科学
- 环境化学环境化学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 光催化降解是污染物修复的一个有前途的方法.
- 优化光催化剂性能和过程参数对于效率至关重要.
- 机器学习为预测和自动化光催化过程提供了潜力.
研究的目的:
- 为了合成和描述TiO2:以素为基础的生物炭 (TLB) 复合材料.
- 为了研究使用TLB的基本蓝41 (BB41) 染料的光催化降解.
- 使用机器学习模型优化实验条件并预测降解效率.
主要方法:
- 超声波辅助的共同沉用于TLB复合合成.
- 实验设计研究化温度,成分,催化剂剂量,pH值,染料度和照明时间的影响.
- 渐变树增强 (GTB) 和额外树木 (ET) 用于光催化降解的预测建模.
主要成果:
- 优化的TLB复合材料 (1:1重量%TiO2:LB,在500°C烧焦) 实现了96.72%的BB41染料降解.
- 在光催化降解效率方面,GTB模型表现出高预测精度 (94%).
- 催化剂剂量和染料度被确定为关键影响性参数.
结论:
- TLB复合材料是BB41染料去除的有效光催化剂.
- 机器学习模型,特别是GTB,可以准确预测光催化性能.
- 这种综合方法增强了污染物修复策略.
