基于机器学习的屠宰废水电解混凝处理工艺参数预测与优化研究

本刊推荐：本研究创新性地将机器学习（ML）算法（包括RF、SVR和MLP）应用于屠宰废水（SWW）电解混凝（EC）处理过程的优化，成功实现了对COD（化学需氧量）和浊度的高效去除（分别达90.5%和97.1%）。通过SHAP分析和变量重要性评估，揭示了EC反应时间与电流密度的关键作用，为废水处理的智能化优化提供了新范式。

　　

Chemicals and equipment

本研究使用分析级化学品，包括盐酸（HCl；≥37%）、氢氧化钠（NaOH；≥97%）、硫酸钠（Na₂SO₄；≥99%）、硝酸钠（NaNO₃；≥99%）、重铬酸钾（K₂Cr₂O₇；≥99%）、硫酸汞（HgSO₄；≥98%）、硫酸银（Ag₂SO₄；≥98%）以及来自Merck的菲咯啉指示剂溶液。浊度、pH和电导率的测量分别使用ZBK Turb 550 IR（德国）、Thermo Scientific Eutech pH 150等仪器进行。

Influence of current density and EC time

本研究揭示了施加电流密度与EC反应时间之间的关联，这两者被认定为有效调控EC过程性能和电化学溶解混凝剂投加速率的关键因素。如图2(a-b)所示，在最佳条件（pH = 7.5、EC时间 = 360 min、SE_c = 0.051 M NaCl/L、电化学溶解混凝剂 = …）下，不同电流密度对COD和浊度去除效率的影响显著……

Conclusion

本研究提出了一种新颖的方法，用于开发和实施可靠的预测框架，以优化真实屠宰废水（SWW）处理中的EC过程。通过采用包括RF、SVR和MLP在内的机器学习算法，我们系统研究了EC时间、电流密度、初始pH、支持电解质类型及其浓度等多个关键参数的影响。

• 在EC过程中，增加EC时间和电流密度会导致Fe(oh)_x絮体的形成……