基于随机森林和贝叶斯优化的TiO2光催化污染物降解速率预测模型研究  

作　　者：刘海军 刘韵锋 陈侨 刘小玲 郭柏帆 赵文锋 

机构地区：[1]华南农业大学电子工程学院<华南农业大学人工智能学院>,广东广州510642

出　　处：《信息记录材料》2021年第8期25-27,共3页Information Recording Materials

基　　金：广东省科技计划项目:基于Bi_(2)WO_(6)/TiO_(2)/rGO异质结的智能紫光LED催化乙烯装置研制(2018A050506076);广州市科学技术协会项目:基于LST M和CNN的粤剧唱腔特征分析(G20210201003);广州市科学技术协会项目:东源县丽亮板栗种植专业合作社科技服务(X20210404003)。

摘　　要：在污染物处理工作中,不同的污染物、不同的反应条件,都会对污染物降解速率产生不同程度的影响。将机器学习与分子指纹结合,建立水污染物光降解速率常数预测模型,可大大减少人力物力的投入,节省实验成本。本工作提出一种基于随机森林和贝叶斯优化的高精度预测模型,使用二氧化钛作为催化剂,将影响光降解性能的多种因素作为模型的输入,以光降解速率常数为输出,作为衡量水污染物降解速率的标准。本文收集了408个可供训练和测试的数据点,结果表明,该模型具有较好的预测精度、较强的泛化能力和鲁棒性,决定系数(R2)为0.92,均方根误差(Root Mean Square Error,RMSE)为0.16。

关 键 词：污染物光降解 机器学习 随机森林 人工神经网络 贝叶斯优化 分子指纹 

分 类 号：X52[环境科学与工程—环境工程]