通过深度学习增强的多模式建模,通过尼奎斯特图表来预测电吸性能.

科学领域:

• 环境科学 环境科学
• 电化学 电化学 电化学
• 材料科学 材料科学 材料科学

背景情况:

• 通过流电吸收系统提供集成的离子回收和电化学氧化还原功能.
• 石墨化纳米钻石电极对于这些系统至关重要.
• 优化Cr6的去除和Cr3的再生需要准确的预测模型.

研究的目的:

• 开发一种新的基于电吸附的多模式模型,用于预测Cr (VI) 去除和Cr (III) 再生效率.
• 为了评估电极回火温度对模型性能的影响.
• 为了比较基于人工神经网络 (ANN) 和卷积神经网络 (CNN) 的模型的预测准确度.

主要方法:

• 使用尼奎斯特图的电化学表征.
• 开发ANN和多模式ANN-CNN模型,包括过程参数和回火温度.
• 沙普利添加式解释 (SHAP) 对特征重要性进行价值分析.
• 2D模拟用于流程优化.

主要成果:

• 简单的ANN模型在没有回火温度的情况下显示出有限的准确性 (R²:0.344-0.829).
• 整合回火温度提高了ANN的性能 (R²: 0.716-0.814).
• 多模式的ANNN-CNN模型实现了显著更高的预测准确性 (R²: 0.950-0.977).
• SHAP分析强调了电极耐用性测试的重要性.

结论:

• 多模式的ANNN-CNN模型证明了对电吸过程的卓越预测能力.
• 电极回火温度是一个影响系统性能的关键参数.
• 在电吸收中,CNN集成对于高精度预测至关重要.
• 电极耐用性对于流通式吸电系统的长期效率至关重要.