机器学习模型用于预测被多环芳污染的土壤的热溶解修复
Haojia Chen1, Yudong Cao2, Wei Qin2
1School of Chemistry and Chemical Engineering, Guangxi Key Laboratory of Petrochemical Resource Processing and Process Intensification Technology, Guangxi University, Nanning 530004, China; School of Chemical Engineering and Light Industry, School of Environmental Science and Engineering, Guangdong University of Technology, Guangzhou 510006, China; Synergy Innovation Institute of Guangdong University of Technology, Shantou 515041, China.
The Science of the total environment
|April 4, 2024
概括
机器学习模型准确地预测了使用热溶解的多环芳 (PAHs) 等有机污染物的土壤修复效率. 暖气条件是有效清洁土壤的最关键因素.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 数据科学数据科学数据科学
背景情况:
- 热溶解是一种有效的方法,用于修复有机污染的土壤.
- 分析影响土壤修复效率的复杂因素是具有挑战性的.
- 机器学习 (ML) 为复杂的数据集提供了强大的分析能力.
研究的目的:
- 应用ML模型来分析多环芳 (PAHs) 的土壤热溶解修复.
- 根据土壤,污染物和加热参数,量化评估和预测修复效应.
- 为了确定影响热吸附效率的关键因素.
主要方法:
- 从已发表的文献中编制了一套包含700多个PAH热溶解数据点的数据集.
- 应用的ML模型包括人工神经网络 (ANN),随机森林 (RF) 和支持向量回归 (SVR).
- 进行了模型优化,回归拟合和特征重要性分析.
主要成果:
- ML模型,特别是RF (R2 = 0.90),在预测修复效率方面表现出很高的准确性.
- 特性重要性分析显示了加热条件 (52%),污染物特性 (28%) 和土壤特性 (20%) 作为关键预测因素.
- 采暖条件被确定为有效修复的最重要因素.
结论:
- ML模型提供了准确的预测,用于热消耗修复效率.
- 对优化加热条件的强调对于实际的土壤修复应用至关重要.
- 这项研究提供了一个有价值的参考,用于增强热溶解策略.
