在土壤中模拟PFAS吸附,使用机器学习
Joel Fabregat-Palau1, Amirhossein Ershadi1, Michael Finkel1
1Department of Geosciences, University of Tübingen, Schnarrenbergstraße 94-96, Tübingen 72076, Germany.
Environmental science & technology
|April 11, 2025
概括
一个新的机器学习工具,PFASorptionML,准确地预测了土壤中的和多基物质 (PFAS) 吸附. 它确定了分子量和有机碳等关键因素,有助于环境风险评估.
科学领域:
- 环境化学环境化学
- 土壤科学 土壤科学
- 计算化学的计算化学
背景情况:
- 和多基基物质 (PFAS) 是持久的环境污染物.
- 了解 PFAS 在土壤中的吸收对于风险评估至关重要.
- 预测PFAS吸附系数 (Kd) 的现有模型存在局限性.
研究的目的:
- 开发和验证一种新的机器学习 (ML) 工具,PFASorptionML,用于预测PFAS在土壤中的固体-液体分布系数 (Kd).
- 确定影响吸附行为的关键PFAS和土壤特性.
- 为环境风险评估提供一个用户友好的平台.
主要方法:
- 开发了PFASorptionML,使用了1,274Kd条目的数据集,用于土壤和沉积物中的各种PFAS.
- 纳入的PFAS属性 (分子量,疏水性,pKa) 和土壤特征 (pH,质地,有机碳,CEC).
- 进行灵敏度分析以确定不同参数对Kd值的影响.
主要成果:
- PFASorptionML表现出高预测性能,RPD>3.16,超过现有工具的性能.
- 分子重量,疏水性和土壤有机碳含量被确定为影响PFAS吸附的最重要的因素.
- PFAS链条长度和功能组显著影响Kd,链条更长,水性更高,增加吸附.
结论:
- PFASorptionML是一种可靠且准确的工具,用于预测土壤中的PFAS Kd.
- 该模型集成特定位置数据的能力使空间Kd映射成为可能.
- PFAS吸收ML是环境风险评估和PFAS污染管理的宝贵资源.
