基于机器学习的PAHs热溶解效率预测:模型优化,边界校正和机械洞察力
Pengcheng Fu1, Meng Qi1, Chunshuang Liu1
1College of Chemistry and Chemical Engineering, China University of Petroleum (East China), Qingdao, 266580, Shandong, PR China.
机器学习模型准确地预测了多环芳香 (PAHs) 在热溶解中去除效率. CatBoost模型实现了高精度,识别了可靠的土壤整治的关键因素.
科学领域:
- 环境工程 环境工程
- 机器学习应用 机器学习应用
- 土壤整治技术 土壤整治技术
背景情况:
- 由于土壤,污染物和操作因素的相互作用,预测热溶解过程中多环芳 (PAHs) 去除效率是复杂的.
- 现有的方法与非线性相互作用作斗争,限制了受污染的土壤的热溶解过程的优化和可靠性.
研究的目的:
- 开发和优化机器学习 (ML) 模型,以准确预测热溶解中PAHs去除效率.
- 提高预测的物理可信性和准确性,特别是对于高清除效率 (>90%).
- 确定影响PAHs热脱附的关键参数,并为流程优化提供见解.
主要方法:
- 开发和优化了9个ML模型,包括贝叶斯式超参数调整和边界意识目标转换 (基于logit).
- 应用可解释性技术 (沙普利增量解释,部分依赖) 来识别主导预测因素.
- 使用蒙特卡洛模拟和基于污染物种的分层建模的验证模型概括.
主要成果:
- 集合树模型,特别是CatBoost,在没有过度拟合的情况下实现了最高的预测准确性 (R2 = 0.9709).
- 反应时间,温度和沸点与温度比被确定为主要预测因素.
- 土壤水分和有机物质显示出双重作用,支持双相脱落动力学和值热效应.
结论:
- 建立了一个强大的和可解释的ML框架,以优化PAHs的热溶解.
- 通过先进的ML技术和数据转换,通过先进的ML技术和数据转换,证明了更好的预测准确性和概括性.
- 提供了实用洞察力,以提高修复可靠性,能源效率和热溶解过程中的智能过程控制.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10:37Procedure to Evaluate the Efficiency of Flocculants for the Removal of Dispersed Particles from Plant Extracts
Published on: April 9, 2016
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Mechanistic Models: Overview of Compartment Models
