从受污染的水中去除N-Nitrosodiphenylamine:使用基于元启发的集合模型的新型建模框架
Md Shafiul Alam1, Adeola Akeem Akinpelu1, Mazen K Nazal1
1Applied Research Center for Environment & Marine Studies, King Fahd University of Petroleum & Minerals (KFUPM), Dhahran, 31261, Saudi Arabia.
Journal of environmental management
|June 22, 2024
概括
机器学习模型准确地预测了N-Nitrosodiphenylamine (NDPhA) 的去除效率. 使用贝叶斯和粒子群方法优化的XGBoost确定了时间和度是污染物吸附的关键因素.
科学领域:
- 环境化学环境化学
- 计算化学计算化学
- 吸附科学 吸附科学
背景情况:
- 传统的一次变量 (OVAT) 方法难以捕捉影响污染物吸附的复杂相互作用.
- 机器学习 (ML) 为预测吸附性去除效率提供了更准确的方法.
研究的目的:
- 开发和验证一种新的ML框架,用于预测和优化N-Nitrosodiphenylamine (NDPhA) 的吸附性去除.
- 通过使用OVAT数据,将ML模型的性能与传统方法进行比较.
- 确定最佳吸附参数 (时间,度,温度,pH,剂量) 以最大限度地去除NDPhA.
主要方法:
- 使用OVAT数据训练ML模型,然后对超参数调整进行贝叶斯优化.
- 采用粒子群优化 (PSO) 来确定最佳吸附参数.
- 使用XGBoost回归器进行预测和特征重要性分析.
主要成果:
- XGBoost回归器表现出卓越的性能,在测试数据集上达到0.9667的相关系数.
- 低平均二次误差 (28.45) 和平均绝对误差 (0.0982) 证实了 XGBoost 模型的准确性.
- 特性重要性分析始终强调时间和度是影响NDPhA去除的最关键因素.
结论:
- 拟议的ML框架显著提高了NDPhA.的预测准确性和移除效率.
- 该研究验证了XGBoost和PSO在优化吸附过程中的有效性.
- 时间和度被确定为最大化NDPhA吸附的至关重要的变量.
更多相关视频
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
13.0K
07:26A Simple Method for Automated Solid Phase Extraction of Water Samples for Immunological Analysis of Small Pollutants
Published on: January 1, 2016
13.7K
