基于g-C₃N₄的光催化剂在基于机器学习的四环素降解中的预测

科学领域:

• 材料科学 材料科学 材料科学
• 环境化学环境化学
• 计算化学的计算化学

背景情况:

• 环素 (TC) 污染对环境构成风险,需要有效的降解方法.
• 基于石墨碳化物 (g-C3N4) 的光催化剂在TC降解方面表现有前途.
• 优化g-C3N4光催化剂的实验参数对于提高效率至关重要.

研究的目的:

• 用g-C3N4光催化剂评估机器学习模型来预测TC降解效率.
• 为了确定最大限度地降低TC降解的最佳实验参数.
• 为理解结构-活动关系提供一个可解释的模型.

主要方法:

• 研究了八种机器学习模型来预测TC降解效率.
• 使用XGBoost (XGB) 进行预测性能和可解释性.
• 使用的特征重要性和SHAP方法用于结果解释.

主要成果:

• XGBoost表现出卓越的性能,其中R2=0.985,RMSE=4.167和MAE=2.900.
• 确定了影响TC降解效率的关键实验参数.
• 提供了有关g-C3N4光催化剂活性因素的见解.

结论:

• 机器学习,特别是XGBoost,为g-C3N4光催化剂的实验优化提供了一个可靠和高效的替代方案.
• 这项研究为开发先进的g-C3N4材料和用于环境修复的智能预测算法铺平了道路.
• 这些发现支持使用计算方法来加速有效光催化剂的发现.