近日,广州大学环境科学与工程学院张伟教授团队在环境领域国际顶级期刊Water Research发表了基于机器学习的各种材料对As(III)和As(V)低耗高效吸附预测的重要研究成果,题为“Optimisation led energy-efficient arsenite and arsenate adsorption on various materials with machine learning”。砷(As)是一种天然的有毒类金属元素,主要以亚砷酸盐(As(III))和砷酸盐(As(V))的形式广泛分布于饮用水和地下水中,对生态环境和人类健康构成严重威胁。因此,设计可持续且经济有效的技术来去除饮用水和地下水中的无机砷势在必行。相较于离子交换、膜过滤和生物处理等方法,吸附被认为是一种可持续且经济高效的方法。尽管吸附材料的特性和反应条件会影响吸附效率,但筛选最佳吸附材料的过程往往耗时且耗费资源。因此,迫切需要研发出一种高效且低能耗的方法来解决砷污染问题。针对上述科学问题,张伟教授团队利用机器学习(ML)技术,并结合变量重要性分析,提出了一种高效且低能耗的优化砷吸附材料的方法。研究从核心数据库中收集了93篇文献中的1700组数据样本,每个样本包括8个反应参数、材料结构特性和组成成分等关键变量。通过构建的CatBoost、XGBoost和LGBoost三种ML模型对这些数据样本进行分析。该研究不仅为优化砷吸附材料提供了新的思路和方法,同时也为实际应用提供了强有力的工具支持。考虑优化吸附性能和能耗,研究结合遗传算法(GA)对吸附材料进行探究。经过优化筛选后,还原氧化石墨烯复合材料对As(III)的最大吸附容量达到291.66 mg/g,而壳聚糖与稻草生物炭对As(V)的吸附容量达到271.56 mg/g。这些材料不仅提高了吸附效率,还降低了能耗。为进一步提升应用效果,研究基于最优的CatBoost模型开发了网页应用程序。该程序允许用户输入相关特征参数,从而获得快速、精确的砷吸附预测结果。这一工具为实际水处理工程提供了极大的便利和高效的解决方案。该研究采用ML技术,构建了CatBoost模型,实现了对不同材料吸附砷性能的高精度预测,准确率高达98%。此外,通过对变量重要性的深入分析,研究揭示了吸附机制的关键因素。开发的Web应用程序,不仅为实际水处理过程提供了便捷工具,而且对于有效治理水体中的砷污染问题具有重要的应用价值和意义。 重磅推荐 公众号后台回复关键词,获取相关资料:回复“001”,下载材料、化学、环境、工程分区表回复“002”,下载最新影响因子汇总回复“003”,下载16000本期刊名缩写回复“004”,下载800套答辩汇报PPT模板