一种人工兔优化增强的支持向量回归框架用于可持续太阳能光催化水处理

《Catalysts》：An Artificial Rabbit Optimization-Enhanced Support Vector Regression Framework for Sustainable Solar Photocatalytic Water Treatment

　　

摘要

由于工业化、城市化以及对可持续水资源的需求，有机污染物的水处理已成为主要的环保问题。半导体光催化剂通过一种称为光催化的清洁、节能过程降解有机污染物。本研究在自然太阳辐射下进行了间歇反应器实验，以考察氧化锌 (ZnO) 剂量、pH 值和反应时间（输入）对光催化性能的影响，并以总有机碳 (TOC) 作为输出。提出并比较了三种机器学习算法，即人工兔优化 - 支持向量回归 (ARO-SVR)、支持向量回归 (SVR) 和 AdaBoost。模型性能通过决定系数 (R²)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和均方误差 (MSE) 进行评估。提出的 ARO-SVR 模型优于其他模型，其训练和测试的 R² 值分别为 0.9782 和 0.9731，RMSE 值分别为 0.040 和 0.0453，MAE 值分别为 0.0402 和 0.046，MSE 值分别为 0.0016 和 0.0020。相比之下，传统 SVR 和 AdaBoost 显示出较低的预测精度和较大的测试误差，表明其泛化能力较低。结果表明，将海水处理中的光催化技术与优化的机器学习框架相结合，可以可靠且高效地预测海水处理性能，并最大程度地减少对大量实验室实验的需求。