基于可解释机器学习框架的激光驱动光催化四环素去除方案评价与预测研究
《Catalysts》:Interpretable Machine Learning-Guided Optimization of Laser-Driven Photocatalytic Degradation of Tetracycline Hydrochloride over ZnO/Cu1.35O/g-C3N4 Composites
【字体:
大
中
小
】
时间:2026年10月24日
来源:Catalysts 4.5
摘要
激光驱动光催化为抗生素去除提供了一种波长可调的方法,但其性能取决于催化剂性质、辐照参数和运行条件之间的复杂相互作用。本研究开发了一种可解释的机器学习引导框架,集成了基于熵权法的评价、预测建模和SHAP分析,以研究四环素盐酸盐(TCH)在红光、蓝光和混合激光辐照下,在ZnO/Cu1.35O和ZnO/Cu1.35O/g-C3N4复合材料上的表观去除效率。在TCH初始浓度为20 mg L?1时,熵权分析确定0.02 g ZnO/Cu1.35O在50 μmol m?2 s?1红光激光辐照下的方案得分最高(0.73)。在30 mg L?1时,ZCG-3在200 μmol m?2 s?1红/蓝混合激光辐照下获得最高得分(0.90)。在五个人工智能模型中,CCO-XGBoost在基于五折分组的交叉验证中表现出最佳的平均预测性能,平均R2为0.92 ± 0.06,平均RMSE为8.27 ± 2.79%。SHAP分析确定反应时间、激光强度和TCH初始浓度为最具影响力的预测特征,反映了基于模型的关联性而非物理化学因果关系。这些研究结果为所研究实验范围内处理方案评价和基于紫外-可见光谱的TCH表观去除预测提供了数据驱动的框架。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号