了解聚胺膜对微量有机污染物的排斥机制,通过数据知识编码驱动的机器学习
Hejia Wang1, Jin Zeng2, Ruobin Dai1
1State Key Laboratory of Pollution Control and Resource Reuse, Shanghai Institute of Pollution Control and Ecological Security, School of Environmental Science and Engineering, Tongji University, Shanghai 200092, China.
Environmental science & technology
|March 18, 2024
概括
一个新的机器学习模型整合了数据和领域知识,以预测聚胺膜对微量有机污染物的排斥. 这种方法提高了对排斥机制的理解,并有助于针对性的污染物清除策略.
科学领域:
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
- 材料科学 材料科学 材料科学
背景情况:
- 机器学习 (ML) 显示了预测聚胺 (PA) 膜对微量有机污染物 (TrOC) 排斥的潜力.
- 数据稀缺性和混变量限制了数据驱动的ML模型的直接应用.
- 了解TROC排斥机制对于有效的水处理至关重要.
研究的目的:
- 开发一个数据知识共同驱动的ML模型,用于PA膜对TROC的排斥.
- 通过使用领域知识来提高ML模型的预测性能和可解释性.
- 量化不同机制对TROC排斥的贡献.
主要方法:
- 通过嵌入领域知识,开发了一个数据知识共同驱动的ML模型.
- 尺寸排除,电荷效应和疏水相互作用的量化贡献.
- 对纳米过 (NF) 和反透 (RO) PA膜的TrOC排斥机制进行比较.
主要成果:
- 共同驱动的ML模型提高了预测准确性和可解释性.
- 确定了Log D和分子电荷是TROC排斥变异的关键因素.
- NF膜更多地依赖于电荷效应和疏水相互作用,而RO膜优先考虑TROC排斥的尺寸排除.
结论:
- 数据知识共同驱动的ML方法有效地提高了对PA膜对TROC排斥的理解.
- 域知识集成对于环境工程中强大的ML应用至关重要.
- 该方法为制定有针对性的TROC清除策略提供了一个框架.


