使用严格的机器学习框架预测生物炭的H₂S吸附能力

科学领域:

• 环境科学 环境科学
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 生物炭是一种可持续的吸收剂,用于去除硫化 (H2S).
• H2S吸附能力受到生物炭特性和操作条件的复杂相互作用的影响.
• 准确预测H2S吸附对于优化气体净化中的生物炭应用至关重要.

研究的目的:

• 开发和比较各种机器学习 (ML) 模型,用于预测生物炭的H2S吸附能力.
• 确定影响生物炭H2S吸附性能的关键因素.
• 为生物碳查提供了对实验方法的计算效率高的替代方案.

主要方法:

• 从文献中训练了277个数据点,使用决策树,随机森林,AdaBoost,KNN,CNN,SVR和集体学习模型.
• 利用了包括生物炭物理化学性质,热解和反应条件在内的综合投入.
• 通过5倍交叉验证和异常值评估确保模型的稳定性;使用SHAP分析解释特征.

主要成果:

• K-最近邻居 (KNN) 模型实现了最高的精度 (R^2 ≈ 0.94).
• 突破时间,特定表面积,气体湿度和O/N比率被确定为主要因素.
• SHAP分析提供了对特征贡献的可解释的见解.

结论:

• ML模型,特别是KNN模型,提供了生物炭H2S吸附能力的准确和可解释的预测.
• 这种方法有助于快速选和优化生物炭用于气体净化.
• 该研究强调了数据驱动方法在推进可持续吸附剂技术方面的潜力.