通过使用基于特征工程的几种机器学习方法预测通过纳米孔大小的膜去除微污染物

科学领域:

• 环境工程 环境工程
• 水处理技术水处理技术
• 膜科学 膜科学 膜科学

背景情况:

• 使用功能化膜预测微污染物分离效率是具有挑战性的,因为复杂的相互作用.
• 微污染物的物理化学特性和膜特性影响分离效率.

研究的目的:

• 为了比较各种机器学习 (ML) 工具在微污染物清除的适度数据集上的预测性能.
• 用微污染物和膜属性评估功能化反透 (RO) 和纳米过 (NF) 膜的ML模型.

主要方法:

• 利用监督算法:基于自适应网络的模糊推理系统 (ANFIS),线性回归 (LR),渐进线性回归 (SLR) 和多变量线性回归 (MVR).
• 采用了无监督算法:支持矢量机 (SVM) 和整体增强树 (BT).
• 执行特征工程和参数依赖性分析,以确定关键输入变量.

主要成果:

• 微污染物的特性,包括最大投射直径 (MaxP),最小投射直径 (MinP),分子量 (MW) 和化合物大小 (CS),与去除效率正相关.
• 与这些关键变量相结合的模型显示了监督和无监督ML的高预测准确性.
• 一个ANFIS-网格分区 (NF-GP) 模型实现了最高准确度 (R2 = 0.965) 低误差指标 (RMSE = 3.65,MAE = 3.65).

结论:

• 关键的微污染物特性 (MaxP,MinP,MW,CS) 在实时过中对于有效的微污染物排斥至关重要.
• 该ANFIS-GP模型有效地处理复杂的数据方面,提高预测拒绝效率.
• 这些发现可以指导设计具有最佳孔径的自制膜,以提高微污染物分离的设计.