基于机器学习的金属有机框架吸附水中重金属性能预测

为了能准确预测金属有机框架材料(MOFs)对水中重金属的吸附性能,收集了48篇文献中的MOFs结构特征和成分特性,以及吸附水中重金属的实验参数建立数据集,训练并评价了6种回归模型,包括支持向量回归(SVR)、K-最近邻(KNN)、提升法(AdaBoost)、梯度提升树(GBDT)、随机森林(RF)和袋装法(Bagging).结果表明:基于树的集成学习模型的预测性能表现优异,其中以GBDT算法训练的模型性能最佳;进一步应用该模型,证明了机器学习方法可以准确预测MOFs对水中重金属的吸附性能;排列重要性与部分依赖图(PDP)显示,除了可控的实验参数外,影响吸附量的重要因素是MOFs的孔径、比表面积、孔体积.本研究中的方法不仅能预测MOFs结构和性能的关系,还可以基于有效的实验参数模拟水中重金属的去除,进而为吸附材料的筛选优化提供参考.