机器学习驱动的最佳纳米材料的识别,以有效地从水中去除pararosaniline染料,使用RFHGB混合模型

科学领域:

• 环境化学环境化学
• 材料科学 材料科学 材料科学
• 计算化学计算化学

背景情况:

• 新出现的污染物,如Pararosaniline染料 (PRS),由于其持久性和毒性,构成重大环境和公共卫生风险.
• 传统的废水处理方法往往不足以完全去除像PRS这样的反抗性污染物,需要先进的氧化过程.
• 光催化降解为降解废水中的持久有机污染物提供了一个有希望的方法.

研究的目的:

• 为了合成和评估ZnO-CuO纳米复合物和SrO光催化剂,用于降解Pararosaniline染料 (PRS).
• 开发和优化用于预测光催化降解效率的机器学习模型.
• 为了确定最佳的降解条件和最有效的光催化剂来去除PRS.

主要方法:

• 合成ZnO-CuO纳米复合材料和SrO光催化剂.
• 在受控条件下的PRS光催化降解的实验评估.
• 合成数据增强的应用,将81个观测的初始数据集扩展到5000个.
• 培训和评估十五个机器学习算法,然后对前五个模型进行双向混合.
• 确定随机森林+HistGradient Boosting (RFHGB) 混合模型作为表现最好的模型.

主要成果:

• 在预测PRS降解效率方面,RFHGB混合模型实现了最高准确度和最低预测误差.
• 该研究确定了PRS光催化降解的最佳条件.
• 在合成材料中,ZnO-CuO被列为PRS降解的最有效的光催化剂.
• 混合模型成功预测了降解效率,并提供了催化剂排名.

结论:

• 混合机器学习模型,特别是RFHGB混合模型,是预测和优化光催化降解过程的有效工具.
• ZnO-CuO纳米复合材料显示出作为光催化剂的显著潜力,可以有效地从废水中去除Pararosaniline染料.
• 结合计算机建模的先进处理技术对于应对新出现的污染物造成的水污染至关重要.