使用机器学习预测金属酸被粘土矿物吸附的情况
Shoushi Zhao1, Kai Chen1, Beiyi Xiong1
1School of Environment and Energy, South China University of Technology, Guangzhou 510006, PR China; The Key Lab of Pollution Control and Ecosystem Restoration in Industry Clusters, Ministry of Education, South China University of Technology, Guangzhou 510006, PR China.
机器学习准确地模拟了粘土矿物质对重金属的吸附. 极端梯度增强模型与pH50-Box数据清理相结合,在预测蒙特莫里隆石,高石和石上的金属阴离子吸附方面取得了很高的准确性 (R2=0.977).
科学领域:
- 环境地质化学环境地质化学
- 计算化学计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 粘土矿物质对重金属的吸附在自然系统的固体-液体界面上至关重要.
- 了解吸附机制对于环境修复和风险评估至关重要.
- 传统的表面复合模型在预测吸附行为方面存在局限性.
研究的目的:
- 使用机器学习模拟六种重金属子 (Cd2+,Cu2+,Pb2+,Zn2+,Ni2+,Co2+) 在三种粘土矿物质 (蒙莫里隆石,高林石,伊利石) 上的吸附.
- 确定影响吸附的金属和粘土矿物质的关键描述符.
- 为了比较不同机器学习模型和数据预处理技术的性能.
主要方法:
- 采用了六种机器学习模型:随机森林,极端森林,梯度提升决策树,极端梯度提升,轻梯度提升和类别提升.
- 工程特征包括金属阴离子水解常数 (log K,SPC,HHC) 和粘土矿物质特性 (现场密度,阴离子交换能力).
- 对比数据清洗方法 (pH50,Box,pH50-Box) 和模型组合,以确定最佳的模拟参数.
主要成果:
- pH50-Box数据清理方法与极端梯度提升模型相结合,产生了最好的模拟结果 (RMSE = 4.158%,R2 = 0.977).
- 沙普利解释图 (SHAP) 和部分依赖图 (PDP) 用于模型解释,揭示了输入变量和吸附之间的关系.
- 该研究成功地确定了控制重金属对粘土矿物质吸附的关键地化学参数.
结论:
- 机器学习,特别是与适当的数据预处理一起的极端梯度提升,提供了一种强大而准确的方法来模拟粘土矿物质对重金属的吸附.
- 这项研究提供了一个新的视角,补充了传统的地球化学模型,以了解环境中的污染物行为.
- 开发的模型可以帮助预测和管理土壤和水系统中的重金属污染.
更多相关视频
11:14Two-way Valorization of Blast Furnace Slag: Synthesis of Precipitated Calcium Carbonate and Zeolitic Heavy Metal Adsorbent
Published on: February 21, 2017
10:44Preparation of Biomass-based Mesoporous Carbon with Higher Nitrogen-/Oxygen-chelating Adsorption for CuII Through Microwave Pre-Pyrolysis
Published on: February 12, 2019
相关概念视频
Extraction: Advanced Methods
Gravimetry: Inorganic And Organic Precipitating Agents
Qualitative Analysis
For instance, group IV...
Analyte Adsorption and Distribution
Complexometric Titration: Ligands
Complexation Equilibria: The Chelate Effect
