机器学习驱动的辉光放电等离子体降解碱性紫16性能研究

作者：方野; 王玉如; 曾静懿; 王亚欣; 郑伟; 李敏睿^*

来源：中国环境科学, 2023, 1-11.

DOI：10.19674/j.cnki.issn1000-6923.20231207.003

• 辉光放电等离子体
• 染料废水
• SHAP解释方法
• 机器学习

为了量化研究辉光放电等离子体(GDEP)降解碱性紫16(BV16)的效率影响因素以进一步提升其降解性能.共收集462条降解实验数据建立数据集,训练并评价了九种回归模型.结果表明,基于梯度提升树(GBDT)的集成学习模型预测性能优异,且以类别型特征提升(CatBoost)算法训练的模型性能最佳(R2=0.988, MAE=2.050%).此外,沙普利加和解释方法(SHAP)对最佳模型的参数影响程度定量解析结果显示,反应时间(43.74%)、初始污染物浓度(23.00%)、氯化钾浓度(15.65%)和平均电流(12.63%)是影响BV16降解效率的关键因素.同时,基于部分依赖图(PDP)提出了参数交互影响优化方案.所建立的Cat Boost-SHAP-PDP模型不仅能实现GDEP对BV16降解效果的模拟预测,而且是优化GDEP降解过程变量的有效方法,为GDEP降解染料废水复杂体系领域的建模与应用提供科学依据和技术支持.

• 单位
  陕西师范大学