Modelos de Aprendizado de Máquina para Design Inverso do Processo de Oxidação Eletroquímica para Purificação de Água

Neste estudo, uma estrutura de aprendizado de máquina (ML) é desenvolvida para o design inverso orientado a alvos do processo de oxidação eletroquímica (EO) para purificação de água. O modelo XGBoost apresentou o melhor desempenho na previsão da taxa de reação (k) com base no treinamento do conjunto de dados relevante às características dos poluentes e condições de reação, indicado por Rext2 de 0,84 e RMSEext de 0,79. Com base em 315 pontos de dados coletados da literatura, a densidade de corrente, a concentração de poluentes e a energia de gap (Egap) foram identificadas como os parâmetros mais impactantes disponíveis para o design inverso do processo de EO. Em particular, a adição de condições de reação como características de entrada do modelo permitiu fornecer mais informações disponíveis e aumentar o tamanho da amostra do conjunto de dados para melhorar a precisão do modelo. A análise de importância das características foi realizada para revelar o padrão dos dados e a interpretação das características utilizando explicações aditivas de Shapley (SHAP). O design inverso baseado em ML para o processo de EO foi generalizado para um caso aleatório para ajustar as condições ótimas com fenol e 2,4-diclorofenol (2,4-DCP) servindo como poluentes modelo. Os valores k previstos resultantes estavam próximos dos valores k experimentais por verificação experimental, com erro relativo inferior a 5%. Este estudo fornece uma mudança de paradigma do modo convencional de tentativa e erro para um modo orientado por dados para o avanço da pesquisa e desenvolvimento do processo de EO por meio de uma estratégia orientada a alvos que economiza tempo, é eficaz em termos de mão de obra e é sustentável em termos ambientais, tornando a purificação eletroquímica de água mais eficiente, econômica e sustentável no contexto do pico global de carbono e neutralidade de carbono.