在粉碎花岩上开发基于机器学习的吸附分布系数的预测模型

科学领域:

• 地质化学 地质化学
• 环境科学 环境科学
• 材料科学 材料科学 材料科学

背景情况:

• 花岩的放射性核化物吸附对于高水平放射性废物 (HLW) 地质处置安全评估至关重要.
• 在不同的实验条件下,花岩的吸附特性显示出显著的变化.
• 评估吸附的传统实验方法耗时且昂贵.

研究的目的:

• 开发一种高效的,数据驱动的机器学习 (ML) 方法,用于预测 (Cs) 吸附分布系数在碎花岩上.
• 为了减少与传统实验性吸附研究相关的时间和成本.
• 确定影响花岩上Cs吸附的关键因素.

主要方法:

• 使用了四个ML算法:AdaBoost,GBDT,LightGBM,以及XGBoost.
• 在384个实验数据点的数据集上训练模型.
• 采用SHAP分析来解释模型预测和特征的重要性.

主要成果:

• 所有的ML模型都在训练和测试数据集中实现了大于0.8的R平方值.
• XGBoost 展示了卓越的预测性能和概括能力.
• 影响Cs吸附的关键特征被排列:固体/液体比,离子强度,pH,接触时间,初始度和最大颗粒大小.

结论:

• 开发的ML方法有效地预测了花岩上的放射性核素吸附,补充了资源密集型实验.
• SHAP分析揭示了与实验观测相一致的吸附机制.
• 这种数据驱动的方法通过提供有关放射性核体行为的见解,增强了高低压地质处置的安全评估.