在污染物处理工作中,不同的污染物、不同的反应条件,都会对污染物降解速率产生不同程度的影响。将机器学习与分子指纹结合,建立水污染物光降解速率常数预测模型,可大大减少人力物力的投入,节省实验成本。本工作提出一种基于随机森林和...在污染物处理工作中,不同的污染物、不同的反应条件,都会对污染物降解速率产生不同程度的影响。将机器学习与分子指纹结合,建立水污染物光降解速率常数预测模型,可大大减少人力物力的投入,节省实验成本。本工作提出一种基于随机森林和贝叶斯优化的高精度预测模型,使用二氧化钛作为催化剂,将影响光降解性能的多种因素作为模型的输入,以光降解速率常数为输出,作为衡量水污染物降解速率的标准。本文收集了408个可供训练和测试的数据点,结果表明,该模型具有较好的预测精度、较强的泛化能力和鲁棒性,决定系数(R2)为0.92,均方根误差(Root Mean Square Error,RMSE)为0.16。展开更多
文摘在污染物处理工作中,不同的污染物、不同的反应条件,都会对污染物降解速率产生不同程度的影响。将机器学习与分子指纹结合,建立水污染物光降解速率常数预测模型,可大大减少人力物力的投入,节省实验成本。本工作提出一种基于随机森林和贝叶斯优化的高精度预测模型,使用二氧化钛作为催化剂,将影响光降解性能的多种因素作为模型的输入,以光降解速率常数为输出,作为衡量水污染物降解速率的标准。本文收集了408个可供训练和测试的数据点,结果表明,该模型具有较好的预测精度、较强的泛化能力和鲁棒性,决定系数(R2)为0.92,均方根误差(Root Mean Square Error,RMSE)为0.16。
