机器学习对响应表面多项式回归的替代评估方法,用于预测织废水处理中的脱色效率

科学领域:

• 环境化学环境化学
• 水处理技术水处理技术
• 机器学习应用 机器学习应用

背景情况:

• 传统的响应表面方法 (RSM) 经常使用多项式回归,在捕捉复杂,非线性关系方面存在局限性.
• 织废水脱色是一个关键的环境挑战,需要有效的处理方法.
• 机器学习 (ML) 模型提供了改进建模的潜力,但面临着诸如过度适应受约束数据集等挑战.

研究的目的:

• 评估机器学习模型作为RSM中的多项式回归的替代方案,用于UV/H2O2织废水脱色.
• 将各种ML模型的适应性和稳定性与传统回归方法进行比较.
• 用传统和基于ML的解释技术分析操作参数的意义.

主要方法:

• 评估决策树 (DT),随机森林 (RF),多层感知器 (MLP) 和极端梯度增强 (XGBoost) 模型.
• 将ML模型与RSM框架内的标准二次回归模型进行比较.
• 使用VAriance分析 (ANOVA) 和SHapley添加式扩展 (SHAP) 进行因子显著性分析.

主要成果:

• ML模型通常获得更高的R平方值,表明比多项式回归更好的适应性.
• DT和RF模型在附加数据的情况下显示出稳定性,而MLP和XGBoost显示出过度装配的迹象.
• 两种ANOVA和SHAP分析都证实了H2O2度,反应时间和紫外线强度的重要性.

结论:

• 机器学习模型显示出替代废水处理RSM中的多项式回归的前景,但仔细验证至关重要.
• DT和RF模型的稳定性表明它们适合于此类应用.
• SHAP分析提供了对因素意义的宝贵见解,补充了传统的ANOVA方法.