机器学习驱动的估计马拉绿色光催化降解与NML-BiFeO₃复合材料

科学领域:

• 环境化学环境化学
• 材料科学 材料科学 材料科学
• 机器学习 机器学习

背景情况:

• 马六合绿色 (MG) 染料是废水中持续存在的污染物.
• 光催化降解为去除染料提供了一个潜在的解决方案.
• 新型NML-BiFeO3复合材料正在探索增强光催化活性.

研究的目的:

• 评估NML-BiFeO3化合物在降解MG染料中的有效性.
• 调查MG降解的高斯过程回归 (GPR) 模型的预测性能.
• 确定影响光催化降解过程的关键因素.

主要方法:

• 合成和描述NML-BiFeO3复合材料的方法.
• 在各种条件下,MG染料的试验性降解.
• 使用1200个数据点和10个输入变量,开发和验证四个GPR模型 (Matern,指数,平方指数,理平方).
• 灵敏度分析以确定有影响力的参数.
• 使用威廉的图表进行异常检测.

主要成果:

• 基于指数内核的GPR模型实现了1.0的近乎完美的R2,证明了高预测准确度.
• 过程时间被确定为影响MG降解的最重要因素.
• 其他影响因素包括孔积,催化剂负荷,光强度,催化剂类型,pH,离子类型,表面积和酸度.
• 最小的异常值 (66-71) 证实了GPR模型和数据集的稳定性.

结论:

• NML-BiFeO3复合材料有效地从废水中去除马六合绿色染料.
• GPR模型,特别是指数核,为预测MG降解效率提供了可靠的工具.
• 了解催化剂特性和操作参数对于优化使用NML-BiFeO3.3的废水处理过程至关重要.