一个新的可解释的机器学习和基于元启发的协议,用于预测和优化用纳米吸收剂预测和优化西普罗素抗生素吸附
Yunus Ahmed1, Akser Alam Siddiqua Maya1, Parul Akhtar1
1Department of Chemistry, Chittagong University of Engineering and Technology, Chattogram 4349, Bangladesh.
Journal of environmental management
|October 9, 2024
概括
机器学习模型准确地预测了抗生素从水中去除的情况. 在最佳条件下,HistGradientBoosting模型在最佳条件下实现了99.28%的西普洛素吸附,为水污染提供了可持续的解决方案.
科学领域:
- 环境科学 环境科学
- 水的化学 水的化学
- 计算化学计算化学
背景情况:
- 水中的抗生素污染对环境和公共卫生构成重大风险.
- 准确的预测模型对于监测和减轻抗生素污染至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以预测来自受污染水的西普洛素 (CIP) 的吸附能力.
- 确定最佳的ML模型和操作条件,以有效地清除CIP.
主要方法:
- 通过使用R2,MSE,MAE和RMSE等指标评估了十个ML算法.
- 使用贝叶斯优化微调的ML模型超参数.
- 评估模型性能和特征对操作变量的重要性.
主要成果:
- 在HistGradientBoosting (HGB) 模型中,MAE为0.1865和R2为0.9999.2的MAE表现优越.
- 在优化条件下预计CIP吸附率为99.28%:10 mg/L CIP,357 mg/L CuWO4@TiO2吸附剂,60分钟接触时间,室温,pH为7.5.
- 功能重要性分析证实了操作变量的重要性.
结论:
- 先进的ML算法,特别是HGB,对于建模抗生素吸附是有效的.
- 使用纳米吸附剂的优化条件显示出从水中去除西普洛素的高潜力.
- 这种方法提供了一种有前途的策略来打击水源中的抗生素污染.
