공기 오염물질의 TiO2 광촉매 분해 예측을 위한 새로운 해석 가능한 기계 학습 모델 접근법

초록 공기 오염물질은 다양한 환경 및 건강 문제를 야기합니다. 이산화티탄(TiO2)은 공기 오염물질의 자가 광촉매 분해의 이점을 제공합니다. 성능을 평가하기 위해 실험실 실험이 일반적으로 사용되어 광촉매 분해 속도의 동역학을 결정하는데, 이는 노동 집약적이고 시간 소모가 많으며 비용이 많이 듭니다. 본 연구에서는 TiO2 나노입자와 자외선 조사로 공기 중 유기 오염물질의 광분해 속도 상수를 예측하기 위한 기계 학습(ML) 모델이 개발되었습니다. ML 모델의 하이퍼파라미터는 베이지안 최적화가 적용된 인공 신경망(ANN), 베이지안 최적화가 적용된 그래디언트 부스터 회귀기(GBR), Hyperopt를 사용한 최적화가 적용된 극한 그래디언트 부스팅(XGBoost), 그리고 AdaBoost와 결합된 Catboost를 포함하여 최적화되었습니다. 유기 오염물질은 분자 지문(MF)을 통해 인코딩되었습니다. 누락된 데이터를 처리하기 위해 대체 방법이 적용되었습니다. 생성적 ML 모델인 Vanilla Gan이 사용되어 사용 가능한 데이터셋의 크기를 추가로 늘리기 위한 합성 데이터를 생성하였고, SHapley Additive exPlanations(SHAP)이 ML 모델의 해석 가능성을 위해 사용되었습니다. 결과는 데이터 대체가 제한된 데이터셋의 전면적인 활용을 가능하게 했으며, 이는 좋은 기계 학습 예측 성능을 이끌어내고 소규모 데이터에서 발생하는 일반적인 과적합 문제를 방지하는 데 기여했습니다. 또한, 합성 데이터로 실험 데이터를 증강함으로써 예측 정확도가 크게 향상되고 과적합 문제가 상당히 줄어들었습니다. 결과는 특성 중요도를 순위 매기고 다양한 실험 변수의 광분해 속도에 대한 영향을 평가했으며, 이는 물리화학적 법칙과 일치했습니다.