基于机器学习和文献分析,预测和精制生物炭的酸性修饰:特定表面积,平均孔径和总孔径
Fangzhou Zhao1, Lingyi Tang2, Wenjing Song3
1School of Environmental and Biological Engineering, Nanjing University of Science and Technology, Nanjing, China.
The Science of the total environment
|July 8, 2024
概括
机器学习,特别是极端梯度增强 (XGB),准确地预测了酸修饰生物炭的特性. 这样可以优化用于增强重金属修复和土壤修改应用的准备.
科学领域:
- 材料科学 材料科学 材料科学
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 由于其有利的表面积和孔隙结构,酸修饰生物炭为重金属修复和土壤修改等环境应用提供了潜力.
- 特定表面积 (SSA),平均孔径 (APS) 和总孔径 (TPV) 等关键性质极大地影响生物炭性能,但由于复杂的制备条件相互作用,其优化具有挑战性.
研究的目的:
- 开发和验证机器学习模型,用于预测酸修饰生物炭的SSA,APS和TPV.
- 通过使用预测建模,确定酸修饰生物炭的最佳制备条件.
- 通过优化准备策略,为增强生物炭工业应用提供指导.
主要方法:
- 进行了文献计量分析,以编制酸修饰生物炭特性数据集.
- 四个机器学习模型被用来预测SSA,APS和TPV.
- 极端梯度增强 (XGB) 模型因其优异的预测性能而被选中,并用于优化和验证.
主要成果:
- 该XGB模型在预测生物炭特性方面表现出高准确性 (SSA R2 = 0.92,APS R2 = 0.87,TPV R2 = 0.96).
- 模型解释表明,修改条件显著影响SSA和TPV,而热解条件影响APS.
- 使用XGB模型的优化制备条件产生了高SSA (727.02 m2/g),APS (5.34 nm) 和TPV (0.68 cm3/g) 的生物炭,通过实验结果验证 (R2 = 0.99).
结论:
- 机器学习,特别是XGB,对于预测和优化酸修饰生物炭特性是有效的.
- 该研究确定了生产高性能生物炭的最佳准备条件.
- 这项研究促进了酸修饰生物炭在环境修复和土壤改善中的工业应用.
