中国环境科学

作者：方野, 王玉如, 曾静懿, 王亚欣, 郑伟, 李敏睿

单位：1. 陕西师范大学地理科学与旅游学院, 陕西 西安 710119;2. 陕西师范大学, 地理学国家级实验教学示范中心, 陕西 西安 710119

关键词：辉光放电等离子体,染料废水,SHAP解释方法,机器学习

基金：陕西省自然科学基础研究计划-资助项目(2021JM-192)

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9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CatBoost-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.

来源：2024年第6期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2024年第6期