机器学习框架用于使用纳米结构的铜氧化物去除oxytetracycline,支持磁性奇多藻酸盐生物复合材料

科学领域:

• 环境科学 环境科学
• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 抗生素污染,特别是氧环素 (OTC),对水体和生态系统构成重大威胁.
• 在环境保护和公共卫生方面,开发高效和具有成本效益的方法来从液体矩阵中去除OTC至关重要.
• 纳米材料由于其高表面积和反应性,为污染物清除提供了有前途的解决方案.

研究的目的:

• 开发和评估一种机器学习控制的方法,用于从液体中去除氧基环素 (OTC).
• 为了研究纳米结构铜氧化物 (CuO) 纳米颗粒与磁性酸盐/酸盐生物复合物 (CuO-M-CAB) 集成的有效性.
• 通过分析关键参数和使用先进的机器学习模型来优化删除效率.

主要方法:

• 在磁性酸盐/酸盐生物复合材料 (CuO-M-CAB) 上使用纳米结构的氧化铜 (CuO) 纳米颗粒,用于OTC吸附.
• 应用数据预处理技术,包括Min-Max缩放,异常值检测和相关性分析.
• 训练并评估机器学习模型:提霍诺夫规范化,Yandex增强和粒子群优化 (PSO) 具有K倍交叉验证 (k=5).
• 采用了SHapley添加式解释 (SHAP) 来解释特征重要性和PSO进行参数优化.

主要成果:

• 提霍诺夫规则化模型实现了高精度 (R2=0.973训练,R2=0.958测试) 低误差率 (RMSE,MAE),表明强大的概括性.
• 扬德克斯提升模型显示了显著的过拟合,与训练数据相比,测试数据的表现较差.
• SHAP分析发现pH (X2) 和反应时间 (X3) 是OTC清除效率最有影响力的参数.
• 公共服务局确定了最佳参数值,证实pH和反应时间对去除产生积极影响,而吸附剂度对其产生负面影响.

结论:

• 开发的CuO-M-CAB纳米粒子系统,通过机器学习 (提霍诺夫规范化和PSO) 进行优化,提供了一种有效的氧化四环素去除方法.
• 优化pH和反应时间等参数对于最大限度地提高OTC清除效率至关重要.
• 这种方法在制药和环境工业中具有很大的应用潜力,用于打击水和液体中的抗生素污染.