应用机器学习算法来预测以基为基础的光化学氧化方法去除甲福林,并优化工艺参数

科学领域:

• 环境化学环境化学
• 水处理技术水处理技术
• 光催化作用的光催化

背景情况:

• 甲胺 (METF) 是水生环境中广泛使用的制药污染物.
• 传统的废水处理方法通常对完全去除METF无效.
• 先进的氧化过程 (AOPs) 显示出降解持久性有机污染物的前景.

研究的目的:

• 评估基于基的光化学氧化对METF去除的有效性.
• 使用机器学习 (ML) 算法建模实验数据.
• 为了比较不同基源的性能:过氧化 (HP),碳酸 (PC) 和酸 (PAA).

主要方法:

• 用HP,PC和PAA作为基源的紫外线照射进行光化学氧化实验.
• 反应条件的优化,包括pH值和氧化剂剂量.
• 清理实验以确定主导的活性氧物种.
• 应用ML算法 (如XGBoost) 用于数据建模和预测.

主要成果:

• 最佳的METF去除效率为74.1% (UV/PC),40.7% (UV/HP) 和47.9% (UV/PAA). 它们的分别是:
• 基和单片氧基是UV/PC的关键;基主导UV/HP和UV/PAA.
• 酸盐抑制了这一过程,而则显示出了积极的影响.
• 机器学习模型准确地预测了高R2和低误差指标的实验结果.

结论:

• 基于基的光化学氧化,特别是使用UV/PC,对于METF去除是有效的.
• 机器学习建模为优化和理解AOP提供了可靠和高效的工具.
• 这种方法为未来关于制药废水处理的研究提供了实际框架.