一个机器学习框架来预测通过各种废水和水再利用处理列车的PPCP去除

科学领域:

• 环境化学环境化学
• 水处理技术 水处理技术
• 计算化学的计算化学

背景情况:

• 药品和个人护理产品 (PPCPs) 通过废水处理持续存在,污染水生环境和饮用水.
• 有效的PPCP去除策略对于公共卫生和环境保护至关重要.
• 目前用于评估PPCP移除的方法可能耗时且资源密集.

研究的目的:

• 开发和评估机器学习 (ML) 模型,根据化学特性对149种PPCP进行分类.
• 预测废水和水再利用处理列车中PPCP的清除效率.
• 评估ML衍生集群与基于化学描述符 (Abraham描述符和log Kow) 的集群之间的相关性.

主要方法:

• 采用超高性能液态染色学-并联质谱法 (UPLC-MS/MS) 在两个现场规模处理列车中进行PCP的非目标分析.
• 采用了两种聚类方法:C1 (基于最有效的个人治疗过程) 和C2 (基于跨治疗的PPCP去除模式).
• 使用支持向量机器 (SVM),逻辑回归和随机森林 (RF) 的分类PPCP集群,以亚伯拉罕描述符和日志Kow作为输入特征.

主要成果:

• 支持向量机 (SVM) 实现了最高的预测准确度,为79.1%的PPCP删除.
• 在ML衍生的PPCP集群和基于Abraham描述符和Log Kow.的集群之间发现了显著的重叠 (58-75%).
• 这表明化学特性可以有效地预测PPCP在处理列车中的命运.

结论:

• 机器学习模型,特别是SVM,显示出预测废水中PPCP去除和水再利用处理的强大潜力.
• 亚伯拉罕描述符和Log Kow对于ML模型来说是有价值的输入,可以预测治疗期间的PPCP行为.
• 这种基于机器学习的方法可以补充实验数据,优化处理系统的设计,以加强PPCP去除.