改性生物碳对水中洛克沙胂和砷离子的吸附
摘要
全球水体的砷污染问题对人类健康构成了严重威胁，而砷主要以砷离子[As(V)]和洛克沙胂的形式存在。改性生物碳因其优异的吸附性能而被用于处理这种污染，其表面官能团能通过静电吸引、配位作用或络合作用与As(V)和ROX结合，实现吸附作用。
问题一需要确定在不同反应条件下（吸附剂用量、温度和pH），As(V) 和 ROX 的去除率，分析这些条件对去除率的影响程度。使用了两种主要模型:线性回归模型,用于初步评估吸附剂用量、温度和 pH 对去除率的线性影响,并分析显著性、相关性。该模型简单易懂，计算效率高，但无法捕捉非线性关系。随机森林回归模型用于进一步分析，能够处理复杂的非线性关系。随机森林通过构建多棵决策树并取平均，提高了模型的泛化能力，抗过拟合效果好。同时基于SHAP模型对机器学习的可解释性进行详细的分析.最后得出吸附剂用量显著影响 As(V) 和 ROX 的去除率，温度对去除率的影响存在一定的非线性关系,溶液 pH 值的影响较复杂，中高温度范围（30-40℃）通常有利于提高去除率。
问题二我们首先要在各种反应条件下优化As(V) 和 ROX 的总吸附量，再寻找最优的反应温度、溶液 pH 和吸附剂用量组合。我们使用贝叶斯优化方法在定义的参数空间内寻找最优的反应条件组合。贝叶斯优化是一种高效的全局优化方法，适用于处理非线性和高维度问题。该方法通过高斯过程预测不同参数组合下的吸附量，并选择最优的组合进行实验。最优反应条件为温度32℃，pH值6，吸附剂用量0.217 g/L，在此条件下，总吸附量达到最大值44.062。
问题三需要设计额外的5次实验，以进一步优化反应条件，最大化As(V) 和 ROX 的总吸附量。结合贝叶斯优化和问题一二的实验结果分析，选择在高信息区域和关键参数的极值区域进行实验。考虑在吸附剂用量为0.4、0.6、0.8 g/L的基础上，选择温度为20、40℃，pH为4、8的组合进行实验，以捕捉变量之间的交互作用。细化吸附剂用量和温度的极值区域，以更准确地确定最优条件。
通过贝叶斯优化计算得到的5次实验方案包括不同温度、pH和吸附剂用量的组合，覆盖了参数空间中的高信息区域。通过这些实验，可以更好地理解变量之间的交互作用，并进一步优化反应条件，确保模型预测与实际结果一致。
我们通过线性回归和随机森林回归模型，确定了反应条件对As(V) 和 ROX 去除率的影响。通过贝叶斯优化，找到了最优的反应条件组合，使总吸附量达到最大值。同时设计了额外的实验方案，以进一步优化反应条件，验证模型预测的可靠性。这些分析和实验设计为进一步研究和优化 As(V) 和 ROX 的去除过程提供了科学依据，有助于提高实验的效率和效果。
目录
摘要
一、问题重述
1.1问题背景
1.2要解决的问题
二、问题分析
2.1任务一的分析
2.2任务二的分析
2.3任务三的分析
三、问题假设
四、模型原理
4.1遗传算法
4.2模拟退火算法
4.3贝叶斯优化算法
4.4随机森林模型
4.5回归模型
4.6梯度提升回归模型
五、模型建立与求解
5.1问题一建模与求解
5.2问题二建模与求解
5.3问题三建模与求解
六、模型评价与推广
6.1模型的评价
6.1.1模型缺点
6.1.2模型缺点
6.2模型推广
七、参考文献
附录【自行删减】
四、模型建立与求解
5.1 问题一建模与求解
问题一为了探讨反应温度、溶液 pH 和吸附剂用量对 As(V) 和 ROX 去除率的影响，假设其他反应条件保持不变。
我们首先对数据进行读取和分析,变量如下变量：
温度T，单位：摄氏度（℃）
溶液pH
吸附剂用量A，单位：克每升（g/L）
ROX去除率，单位：百分比（%）
As(V)去除率，单位：百分比（%）
数据集包含不同温度、pH和吸附剂用量下的 ROX 和 As(V) 去除率。
分别选择回归分析和随机森林回归模型进行建模。回归分析可以通过数值报告精准告知结果,随机森林回归模型是一种非参数的集成学习方法，通过多棵决策树的组合来提高预测的准确性和稳定性。
最后,为提供随机森林预测效率,我们结合梯度提升回归模型再次进行预测,以提高分析效果.
我们建立了两个回归模型，分别用于预测ROX 去除率和 As(V) 去除率。
模型1：ROX去除率模型
其中：
为 ROX 去除率
T为温度
pH为溶液pH
A为吸附剂用量
模型2：As(V)去除率模型
其中：
为 As(V) 去除率
T为温度
pH为溶液 pH
A为吸附剂用量
我们对数据进行可视化,并对对每张结果图进行详细分析：
这张热图显示了各个变量之间的相关性系数：
吸附剂用量(g/L)与ROX去除率、ROX吸附量、As(V)吸附量 的正相关性较强，说明吸附剂用量的增加显著提高了ROX和As(V)的去除率和吸附量。
As(V)去除率与其他变量的相关性较弱，可能需要进一步分析或更多数据来理解其影响因素。
这张图展示了不同温度下ROX去除率的变化情况：
吸附剂用量越高（从0.2到1.0），ROX去除率越高，特别是在较低温度（15℃、25℃）时效果更显著。
pH对ROX去除率的影响不明显，温度的变化对ROX去除率的影响相对较小。
这张图展示了ROX去除率与ROX吸附量的关系：
ROX去除率与ROX吸附量呈负相关，去除率越高，吸附量越低，尤其在吸附剂用量较高（0.8、1.0）的情况下更明显。
吸附剂用量和pH对该关系的影响不大。
这张图展示了不同pH和吸附剂用量下ROX去除率的平均值：
吸附剂用量的增加显著提高了ROX去除率，尤其是在pH为5和7时效果最佳。
不同pH值之间的去除率差异不大，但总体来看，pH对去除率的影响较小。
从散点图矩阵可以看出，我们的数据分布情况如下：
-
吸附剂用量(g/L)与ROX去除率和As(V)去除率的相关性较强。
-
温度(℃)和pH对ROX去除率和As(V)去除率的影响似乎较小。
-
数据分布相对分散，表明我们需要进一步的统计分析来了解变量之间的关系。
吸附剂用量(g/L)对ROX去除率有显著影响（P值小于0.05），回归系数为24.0110。
这表明吸附剂用量是影响ROX去除率的主要因素，增加吸附剂用量会显著提高ROX的去除率。
接下来我们使用随机森林回归模型进行预测，并使用 SHAP（SHapley Additive exPlanations）值进行解释。
回归森林的预测结果如下:
ROX去除率- 随机森林回归
R^2值: 0.9xxx
As(V)去除率- 随机森林回
R^2值: 0.921
ROX去除率下
SHAP值总结图显示了每个特征对模型输出的平均影响。吸附剂用量对 ROX 去除率的贡献最大，温度和 pH 的影响较小。SHAP 值散点图显示了每个特征的 SHAP 值的分布情况。吸附剂用量的增加显著提高了 ROX 去除率，而温度和 pH 对 ROX 去除率的影响不显著。
5.2 问题二建模与求解
对于问题二，我们需要选择合适的反应温度、溶液 pH 和吸附剂用量，以使 As(V) 和 ROX 的总吸附量最大化。
首先我们需要将不同温度、pH和吸附剂用量条件下的实验数据汇总。计算每个条件下 As(V) 和 ROX 的总吸附量。
特征变量选择为：温度（T）、pH值（pH）、吸附剂用量（A）。目标变量为：总吸附量（Y）。
总吸附量计算公式如下:
其中n为 pH 值的数量。
同样,我们使用随机森林回归模型（Random Forest Regressor）来捕捉特征与目标变量之间的非线性关系。
其中f 是由随机森林回归模型训练得到的非线性函数。
使用贝叶斯优化（Bayesian Optimization）来寻找使目标变量（总吸附量）最大化的最优特征组合。贝叶斯优化是一种全局优化方法，适用于处理非线性和高维度的问题。
定义贝叶斯优化的目标函数g 为：
这里取负号是因为贝叶斯优化框架通常是用于最小化问题，而我们需要最大化总吸附量。
通过贝叶斯优化，我们得到了最优的反应条件：
参考内容: ^ ^https://docs.qq.com/doc/DVVlCWWxmanFqak9B
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
