相关实验视频
Updated: Jun 28, 2025

04:40
Electrostatic Method to Remove Particulate Organic Matter from Soil
Published on: February 10, 2021
4.8K
基于优化的机器学习方法,通过土壤蒸汽提取预测有机污染物的去除效率
Shuai Zhang1, Jiating Zhao1, Lizhong Zhu1
1College of Environmental and Resource Sciences, Zhejiang University, Hangzhou, Zhejiang 310058, China; Zhejiang Provincial Key Laboratory of Organic Pollution Process and Control, Hangzhou, Zhejiang 310058, China.
The Science of the total environment
|April 13, 2024
概括
机器学习准确地预测了土壤蒸汽提取 (SVE) 效率,以去除有机污染物. 一个优化的XGBoost模型将时间,污染物类型和温度确定为有效的土壤修复的关键因素.
科学领域:
- 环境工程 环境工程
- 地质技术工程 地质技术工程
- 计算科学 计算科学
背景情况:
- 土壤蒸汽提取 (SVE) 是一种具有成本效益的对挥发性和半挥发性有机污染物的修复技术.
- 修复效率受到SVE参数,土壤特性和污染物特性的影响,往往导致特定地点的最佳条件.
- 需要一个通用的预测模型来评估各种受污染地点的SVE性能.
研究的目的:
- 开发一种机器学习模型,用于预测有机污染土壤中SVE修复效率.
- 通过使用SVE来确定影响有机污染物去除效率的关键因素.
- 通过优化,提高预测模型的准确性和普遍性.
主要方法:
- 利用文献数据来训练和测试XGBoost (XGB) 机器学习模型.
- 在训练和测试数据集上使用R平方值评估模型性能.
- 实施了优化方案,以提高模型的预测准确性和适用性.
主要成果:
- 一个初始的XGBoost模型实现了高的确定系数 (R2 = 0.9728).
- 时间,污染物类型和温度被确定为影响SVE效率的最重要因素.
- 优化的模型显示了更高的准确性 (R2 = 0.9799) 和更广泛的适用性.
结论:
- 开发的XGB模型有效地预测了SVE的有机污染物去除效率,考虑了多种影响因素.
- 该研究阐明了影响整治的因素之间的相互作用机制.
- 这种预测工具有助于评估SVE潜力并优化污染土壤中最大限度去除污染物的条件.

