使用机器学习对树脂选进行有针对性的和多基物质去除的数据驱动的洞察力

科学领域:

• 环境化学环境化学
• 水处理技术水处理技术
• 计算化学计算化学

背景情况:

• 和多基基物质 (PFAS) 是在各种水母中发现的持久性环境污染物.
• 包括长链和短链变种在内的广泛的PFAS的有效去除仍然是一个重大挑战.
• 传统的树脂选和操作优化的方法往往是耗时和资源密集的.

研究的目的:

• 开发和验证用于预测PFAS清除效率的机器学习 (ML) 模型.
• 为了确定影响PFAS通过树脂去除不同水条件的关键因素.
• 使用ML用于树脂的反向选和优化针对PFAS清除的操作参数.

主要方法:

• 开发ML模型,将树脂特性,操作条件和水矩阵特征与PFAS去除效率相关联.
• 使用独立测试数据集和实验验证验证ML模型性能.
• 对PFAS去除的特征重要性和相互作用影响的全面调查.
• 应用ML模型用于反向选和树脂选择和操作条件的优化.

主要成果:

• ML模型准确地预测了 PFAS 清除效率在各种水矩阵中.
• 确定了影响PFAS去除的关键树脂特性,操作条件和水矩阵特征.
• 基于ML的方法成功地确定了最佳树脂和条件,实现了高的去除效率 (例如,PFBS的86.56%,GenX的83.73%).
• 实验验证证了ML驱动策略的有效性.

结论:

• 机器学习方法为高效的树脂选和PFAS清除中的操作优化提供了强大的工具.
• 开发的ML模型允许在各种水矩阵中有针对性地去除结构多样化的PFAS化合物.
• 这种方法显著加速了对PFAS等持久污染物的有效水处理策略的开发.