使用基于土壤吸附因子,XRF和XRD频谱数据的多式机器学习来预测分布系数

科学领域:

• 环境科学 环境科学
• 地质化学 地质化学
• 核工程 核工程是指核工程.

背景情况:

• 分布系数 (K_d) 对于预测土壤中的放射性核素迁移至关重要.
• 现有的模型往往无法捕捉影响K_d的地质和环境因素的复杂相互作用,特别是独特的土壤特性.
• 准确的K_d预测对于核设施周围的环境安全评估至关重要.

研究的目的:

• 开发一种新的多式技术,用于预测土壤中的放射性核素分布系数 (K_d).
• 整合各种数据源,包括物理化学条件,X射线光 (XRF) 和X射线衍射 (XRD) 数据.
• 提供一种具有成本效益和准确的方法,用于评估土壤环境中的放射性核素吸附机制.

主要方法:

• 开发和培训一个包含三个子网络的多式联运模式.
• 这些子网络的设计是为了处理不同的数据领域:土壤吸附因子 (物理化学),XRF光谱和XRD光谱 (土壤固有的特性).
• 用确定系数 (R²) 和根平均平方误差 (RMSE) 对自然日志转换的K_d值来评估模型性能.

主要成果:

• 多式联网模型表现出高预测性能,R² = 0.84和RMSE = 0.89对于日志转换的K_d.
• 在XRD光谱中确定了与土壤固有的特性相关的有影响力的峰值.
• 确定土壤pH值和氧化 (CaO) 含量分别是土壤吸附因子和XRF数据的显著变量.

结论:

• 本研究提出了第一个多式模式模型,同时结合土壤固有的特性和吸附因子来预测K_d.
• 拟议的技术提供了一种强大,具有成本效益和新的方法来了解土壤中的放射性核素吸附.
• 这些发现支持应用多式联运建模,以提高核设施的环境安全和风险评估.