粗糙集机器学习揭示了生物炭辅助下从水中去除卡马西平的关键影响因素

《Environmental Science: Water Research & Technology》：Rough set machine learning reveals governing factors of biochar-facilitated carbamazepine removal from water

生物炭吸附剂去除水体重金属卡马西平的研究采用粗糙集机器学习模型分析时间、浓度、pH、剂量、温度等参数，93.15%的预测准确率及49条决策规则为优化处理提供依据，凸显可解释机器学习在环境工程中的价值。

　　

新兴药物污染物（尤其是卡马西平，CBZ）在废水中的存在已成为一个严重的环境问题，因为这些污染物在传统处理系统中难以被清除，并可能对水生生态系统和人类健康产生不良影响。本研究探讨了生物炭作为吸附剂去除废水中CBZ的有效性。生物炭是一种富含碳的材料，通过生物质热解获得。研究人员开发了一种粗糙集机器学习（RSML）模型来预测CBZ的去除效率。该模型考虑了多个影响吸附过程的操作参数，包括吸附时间、初始CBZ浓度、溶液pH值、吸附剂用量、温度和吸附类型。为了便于进行粗糙集分析，数据集被离散化处理，从而能够识别出关键参数并生成明确的决策规则，将输入条件与去除效率联系起来。实验结果表明，RSML模型的分类准确率高达93.15%，优于传统的分类方法。该模型生成了49条科学合理的决策规则，为优化CBZ去除条件提供了宝贵的见解。这项研究突显了生物炭作为解决废水中药物污染物问题的可持续解决方案的潜力，并强调了在环境工程中可解释的机器学习模型的重要性。所开发的RSML工具为实际操作人员提供了实用指导，有助于制定高效、有效的废水处理策略，以减轻CBZ等新兴污染物的生态影响。