花植物生物质增强色剂去除:运行性能,微生物群落和机器学习建模
Shilin Wen1, Jingang Huang2, Weishuai Li1
1College of Materials and Environmental Engineering, Hangzhou Dianzi University, Hangzhou, 310018, PR China.
Chemosphere
|February 19, 2024
概括
河植物生物质通过提供电子捐赠者和介质,有效地促进了染料生物降解. 机器学习,特别是XGBoost,准确地预测了染料去除效率,验证了花作为可持续的解决方案.
科学领域:
- 环境生物技术 环境生物技术
- 应用微生物学应用微生物学
- 环境科学中的机器学习
背景情况:
- 亚染料生物还原依赖于电子捐赠者和氧化还原介质.
- 自然生物质为可持续的染料修复提供了潜力.
- 预测建模可以优化生物修复过程.
研究的目的:
- 为了研究的生物质,以获得阿佐染料 (酸 7).生物还原.
- 应用机器学习来理解和预测移除过程.
- 为了验证花辅助染料去除的有效性.
主要方法:
- 补充天然花植物生物质用于色剂生物还原.
- 对水解和发酵产品 (VFA,lawsone) 的分析.
- 用于预测的机器学习算法 (XGBoost) 的应用和验证.
主要成果:
- 的生物质提供了挥发性脂肪酸 (VFA) 和素,促进了AO7的生物减少.
- 观察到特定的细菌丰富 (Firmicutes,Levilinea,Paludibacter) 的情况.
- 在优化条件下,XGBoost准确预测了AO7去除 (91.6%的效率,3.95%的误差).
结论:
- 河生物质是一种具有成本效益和强大的染色生物降解剂.
- 像XGBoost这样的机器学习模型对于预测生物修复性能是有效的.
- 生物质添加和ML建模的综合方法增强了色剂去除策略.
关键词:
亚索染料是一种染料.河植物生物质是河植物的生物质.机器学习 机器学习微生物社区的微生物社区.验证实验验证实验验证实验验验证实验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验验验证实验证实验验验证实验验验证实验证实验验验证实验验验证实验验验证实验验证实验验验证实验验验证实验证实验证实验验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验证实验
