基于树状机器学习模型预测硫酸盐还原菌重金属去除性能的研究

《Bioresource Technology Reports》：Tree-based machine learning model to predict the performance of heavy metal removal by sulfate-reducing bacteria

本文系统评估了六种树状机器学习模型（CatBoost、RandomForest等）在预测硫酸盐还原菌（SRB）对重金属（Cd/Cu）去除效率中的表现。研究表明CatBoost算法在小型数据集（<1000）中预测精度最高（Cd: R2=0.9126; Cu: R2=0.9068），并通过SHAP、PDP等技术解析了温度、pH等关键参数的影响机制，为SRB技术在废水处理中的优化提供了数据驱动方案。

　　

Section snippets

Materials and methods

首先，从先前研究中获取的686个数据点原始数据集被使用。通过特征工程构建了八个输入参数：pH、温度、初始金属浓度等，采用六种树状算法（CatBoost、XGBoost等）和两种回归模型进行训练，并利用Optuna进行超参数优化。

Statistical analysis

图1展示了输入特征与目标变量的基础统计分析（小提琴图）。pH值范围在2至10之间，均值为6.7，呈对称分布。硫酸盐还原菌（SRB）可在中性或酸性环境中存活，其最佳硫酸盐还原效率出现在pH≈7.0时。

Conclusions

本研究证实树状机器学习算法能有效预测SRB系统的重金属去除效率。CatBoost与Gradient Boosting对铜（Cu）和镉（Cd）的预测表现突出，其中温度对镉去除影响显著，而pH值对铜去除占主导地位。SO₄^2?或碳硫比（C/S）对两种金属的沉淀动力学均具有关键调控作用。