通过机器学习选择量化水中的有毒污染物 授权的电化学生物传感器

科学领域:

• 环境科学 环境科学
• 生物传感器技术技术
• 机器学习 机器学习

背景情况:

• 电活性生物膜 (EAB) 传感器为水质监测提供高灵敏度.
• 在复杂的水体中同时检测多种有毒物质仍然是一个重大挑战.

研究的目的:

• 开发一种创新的生物传感器检测策略,与机器学习相结合,用于同时识别多种毒素.
• 创建一个预测模型 (MEA-ANN) 用于量化和定性预测多毒系统中的毒素.

主要方法:

• 开发了一种机器学习模型 (MEA-ANN),分析有毒物质 (Cd2+, Cr6+, triclosan,三酸) 的电化学毒性反应参数.
• 利用平均冲击值来过特征响应参数,提高模型的准确性和效率 (OMEA-ANN).
• 通过使用真实和的天然水样本验证了模型.

主要成果:

• 优化模型 (OMEA-ANN) 在预测复杂干扰系统中的目标毒素方面表现强.
• 使用真实水样的模型验证实现了R2>0.9,证明了可行性和可行性.
• 该战略有效地扩大了EAB传感器用于多毒性物质检测的适用性.

结论:

• 这种新,环保和智能化战略克服了传统EAB传感器的局限性.
• 这种方法大大提高了水质监测,并为智能污水管理提供了洞察力.
• 改进的EAB传感器为水生环境中的生态风险预警提供了强大的工具.