可解释的机器学习,用于从水溶液中去除Th (IV),As (V) 和Hg (II) 离子的聚 (6-乙乙胺) 树脂的综合性特征

科学领域:

• 环境科学
• 材料科学
• 化学工程

背景情况:

• 吸附是净化水的关键技术.
• 具有高价值的金属离子 (Th{IV},As{V},H{II}) 对环境构成重大风险.
• 聚合物材料提供了有效的金属离子去除潜力.

研究的目的:

• 评估聚6-乙酸胺 (PEBTA) 的吸附效率,以去除Th,As,V和Hg.
• 使用各种分析技术来描述PEBTA.
• 开发一个用于预测PEBTA吸附性能的机器学习模型.

主要方法:

• 进行了吸附同温和运动研究.
• 使用FT-IR,NMR,TGA,SEM和EDAX进行了PEBTA的表征.
• 开发了一个XGBoost机器学习模型来预测吸附效率.

主要成果:

• PEBTA 具有较高的吸附能力:Th{\displaystyle Th} 的 187.6 mg/g,As{\displaystyle As} 的 173.1 mg/g和H{\displaystyle H} 的 159 mg/g.
• 吸附遵循伪二次动力学,并适应多个等温模型 (Langmuir, Freundlich, Temkin, Sips).
• 基于温度,度和pH等参数,XGBoost模型准确地预测了吸附性能.

结论:

• PEBTA是一种高效的吸附剂,可以从水溶液中去除有毒金属离子.
• 开发的机器学习模型可以预测吸附性能,减少实验力度.
• 这种方法有助于优化使用聚合物吸附剂的水净化过程.