预测使用机器学习回归的可化废水处理厂废水中的被替代和未被替代的多环芳香化合物的发生

科学领域:

• 环境化学环境化学
• 水处理技术水处理技术
• 计算化学的计算化学

背景情况:

• 工业废水,特别是来自焦化工艺的废水,含有持久多环芳香化合物 (PAC).
• 在废水处理过程中,这些PACs可以转化为更有毒和移动的异环衍生物 (HPACs).
• 监测HPAC对于减轻环境风险至关重要,但目前的分析方法昂贵且耗时.

研究的目的:

• 开发和评估基于内核的机器学习 (ML) 模型,用于预测焦化废水中的PAC和HPAC.
• 确定影响HPAC发生的关键水质参数.
• 为监测工业废水中的微量有机污染物提供一个具有成本效益的工具.

主要方法:

• 提出了三种不同的基于内核的ML模型:支持矢量机回归 (SVR),K-Nearest Neighbor和随机森林.
• 使用常规测量废水质量数据作为输入特征.
• 预测了化废水处理厂的最终废水中14种HPAC的存在.

主要成果:

• 该SVR模型实现了最高的预测准确度,R2为0.83,MALE为0.46,RMSE为0.073 ng/L.
• K-最近邻居和随机森林模型显示较低的R2值分别为0.75和0.76.
• 特性分析表明,溶解有机碳和总氨是SVR的关键预测因素,特定水平与更高的HPAC度有关.

结论:

• 基于内核的ML模型,特别是SVR,有效地捕获复杂的,非线性废水化学,用于预测HPAC.
• 溶解有机碳和氨水平是焦化废水处理中HPAC形成的重要指标.
• 开发的ML模型为监测工业废水中的微量有机污染物提供了有价值,高效的工具,减少了环境风险.