基于人工智能的技术进步,用于PFAS检测,监测和管理
Jungsu Park1, Jong-Hyun Baik2, Samuel Adjei-Nimoh2
1Department of Civil and Environmental Engineering, Hanbat National University,125, Dongseo-daero, Yuseong-gu, Daejeon 34158, Republic of Korea.
The Science of the total environment
|May 1, 2025
概括
人工智能 (AI) 和机器学习 (ML) 提供了先进的解决方案,用于检测和管理永久性环境污染物,如和多基物质 (PFAS). 这些技术提高了监测,来源识别和修复效率,解决了传统方法的局限性.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 和多基物质 (PFAS) 是持久的环境污染物,由于它们的稳定碳-键,与严重的健康和生态风险有关.
- 检测和修复PFAS的传统方法往往是资源密集的,缓慢的,并且适用性有限.
- 由于PFAS的持续性和广泛存在,因此需要创新的方法来有效管理.
研究的目的:
- 探索人工智能 (AI) 的应用,特别是机器学习 (ML),以应对与和多基物质 (PFAS) 相关的挑战.
- 评估各种ML模型在PFAS监测,源追踪和修复策略中的有效性.
- 确定人工智能驱动的PFAS管理的当前局限性和未来方向.
主要方法:
- 利用了机器学习模型,包括随机森林 (RF),梯度增强决策树 (GBDT),支持矢量机器 (SVM) 和人工神经网络 (ANN).
- 应用这些模型来对PFAS污染源进行分类,预测地下水中的PFAS度,以及优化去除技术,如纳米过和吸附.
- 使用准确性,曲线下的面积 (AUC) 和R平方 (R2) 等指标评估模型性能.
主要成果:
- 在分类PFAS污染源方面,ML模型实现了高准确性 (超过96%).
- 模型显示了PFAS地下水度 (AUC为0.90) 的强大预测能力.
- 优化去除过程显示在减少PFAS方面具有显著的有效性 (R2>0.93).
结论:
- 人工智能和机器学习显著提高了PFAS监测,识别和修复的准确性,效率和成本效益.
- 解决数据质量,不平衡和可解释性等挑战对于在PFAS管理中更广泛地采用AI至关重要.
- 未来的努力应集中在扩大数据集,利用自动化ML (AutoML) 和开发人工智能驱动的传感器,用于实时PFAS检测和环境保护.
