DOI: https://doi.org/10.1038/s41598-025-96271-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40251173
تاريخ النشر: 2025-04-18
المؤلف: Zaher Mundher Yaseen وآخرون
الموضوع الرئيسي: المجموعات الخشنة والمنطق الضبابي
نظرة عامة
تبحث الدراسة في استخدام نماذج التعلم الآلي الجماعية (ML) للتنبؤ بكفاءة امتصاص المعادن الثقيلة – وبشكل خاص الرصاص (Pb) والكادميوم (Cd) والنيكل (Ni) والنحاس (Cu) والزنك (Zn) – في المياه والتربة الملوثة. استخدمت الدراسة خوارزميات ML متنوعة، بما في ذلك نموذج الانحدار للغابات العشوائية (RFR) والتعزيز التكيفي (Adaboost) والتعزيز التدريجي (GB) وHistGradientBoosting والتعزيز التدريجي المتطرف (XGBoost) وآلة التعزيز التدريجي الخفيف (LightGBM) لتحليل البيانات من 353 عينة مأخوذة من الأدبيات المفتوحة. بعد معالجة البيانات لإزالة القيم الشاذة وتعديلها للنمذجة، أظهر نموذج XGBoost أعلى دقة، محققًا معامل تحديد قدره $R^2 = 0.92$. كشفت تحليل أهمية الميزات أن نسبة التركيز الأولية للمعادن إلى البيوكاربون ودرجة الحموضة كانت العوامل الأكثر أهمية التي تؤثر على كفاءة الامتصاص، بينما كانت الخصائص الفيزيائية مثل مساحة السطح وبنية المسام لها تأثير ضئيل.
تخلص الدراسة إلى أن نماذج ML الجماعية تلتقط بفعالية العلاقات المعقدة بين خصائص البيوكاربون وامتصاص المعادن الثقيلة، مما يسهل تحسين عملية الامتصاص. تؤكد النتائج الرئيسية على أهمية الخصائص الكيميائية، بما في ذلك التركيز الأولي وسعة تبادل الكاتيونات ودرجة الحموضة، في تصميم البيوكاربون لتحسين الامتصاص. بينما النتائج واعدة، يعترف المؤلفون بالقيود ويقترحون أن البحث المستقبلي يجب أن يستكشف قوة هذه النماذج في ظل ظروف العالم الحقيقي المتنوعة. بالإضافة إلى ذلك، يوصون بتطوير نماذج ML هجينة تدمج بين خوارزميات متعددة لتحسين دقة التنبؤ، مما يسهم في استراتيجيات أفضل لإزالة المعادن الثقيلة من البيئات الملوثة.
مقدمة
تسلط المقدمة الضوء على التحديات البيئية التي تطرحها الزيادة المفرطة في المعادن الثقيلة في قشرة الأرض، ويرجع ذلك أساسًا إلى التصريفات الصناعية التي تلوث المياه الجوفية والمياه السطحية والتربة. يظهر البيوكاربون كحل مستدام لإزالة هذه المعادن الثقيلة من التربة الملوثة، وذلك بفضل خصائصه الفيزيائية والكيميائية المفيدة، بما في ذلك سعة تبادل الكاتيونات العالية، ومجموعات السطح الوظيفية المتنوعة، والقدرة على تعديل درجة الحموضة. تتأثر فعالية البيوكاربون في تقليل تركيزات المعادن الثقيلة بعدة عوامل، مثل نوع المواد الخام ودرجة حرارة التحلل والتفاعلات مع خصائص التربة.
تتم إزالة المعادن الثقيلة المختلفة من خلال آليات متميزة، بما في ذلك التعقيد، وتبادل الكاتيونات، والتفاعلات الكهروستاتيكية، والترسيب، والتقليل. على سبيل المثال، يتم تسهيل إزالة الزرنيخ من خلال التعقيد والتفاعلات الكهروستاتيكية، بينما يتم إزالة الكادميوم والرصاص بشكل أساسي من خلال تبادل الكاتيونات والترسيب. تؤثر خصائص البيوكاربون، التي تختلف باختلاف ظروف التحلل، بشكل كبير على هذه الآليات. لقد عززت التطورات الحديثة، مثل دمج المعادن أو الجسيمات النانوية والتفعيل باستخدام المحاليل القلوية، من كفاءة البيوكاربون. ومع ذلك، لا تزال هناك تحديات، بما في ذلك الحاجة إلى إنتاج فعال من حيث التكلفة، ومعالجة الامتصاص التنافسي في البيئات المعدنية المختلطة، وضمان جدوى إعادة استخدام البيوكاربون في التطبيقات الميدانية. يُقترح أن تكون نماذج الحاسوب المساعدة مسارًا واعدًا لتحسين نمذجة البيوكاربون وتطبيقه.
النتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، يكشف التحليل أن النموذج المستخدم يفسر حوالي 75% من التباين في المتغير التابع، مما يدل على قدرة تنبؤية قوية.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، مشيرة إلى أن العلاقات المحددة يمكن أن تُفيد في البحث المستقبلي والتطبيقات العملية في المجال المعني. تتماشى النتائج مع الدراسات السابقة، مما يعزز النظريات القائمة بينما يوفر أيضًا رؤى جديدة قد تتحدى الفهم التقليدي. بشكل عام، تسهم النتائج في فهم أعمق للموضوع وتفتح آفاقًا لمزيد من الاستكشاف.
المناقشة
تسلط المناقشة الضوء على التفاعلات المعقدة وغير الخطية بين خصائص البيوكاربون والظروف البيئية وسلوك المعادن الثقيلة، مما يعقد تحسين خصائص البيوكاربون لامتصاص المعادن الثقيلة. غالبًا ما تفشل الطرق التجريبية التقليدية والنماذج التجريبية، مثل لانغموير وفرويدليش، في التقاط هذه التعقيدات، مما يؤدي إلى اهتمام متزايد بنماذج التعلم الآلي (ML) كبديل. أظهرت أساليب ML، وخاصة آلات الدعم الشعاعي (SVM) والشبكات العصبية الاصطناعية (ANN)، وعدًا في التنبؤ بسعات الامتصاص وتحسين خصائص البيوكاربون من خلال التعامل بفعالية مع متغيرات متعددة مثل درجة الحموضة ووقت الاتصال وجرعة الممتز. لقد عززت النماذج الهجينة التي تجمع بين خوارزميات ML المختلفة من دقة التنبؤ، مما يظهر إمكانيات الأساليب الجماعية مثل SVM-ANN وغيرها في تحسين كفاءة إزالة المعادن الثقيلة.
على الرغم من التقدم الكبير في تطبيقات ML لامتصاص المعادن الثقيلة، تشير الأدبيات إلى الحاجة لمزيد من الاستكشاف لخوارزميات التعلم الجماعي، مثل الغابات العشوائية (RF) والتعزيز التدريجي (GB) وXGBoost، التي أثبتت فعاليتها في مهام الهندسة البيئية. تهدف هذه الدراسة إلى تطوير وتقييم ستة نماذج جماعية مختلفة لتحسين خصائص البيوكاربون لامتصاص المعادن الثقيلة وتحديد العوامل المؤثرة الرئيسية. تستخدم الدراسة مجموعة بيانات شاملة من 353 تجربة امتصاص، مع التركيز على خصائص البيوكاربون وظروف الامتصاص. من خلال استخدام تقنيات معالجة البيانات الدقيقة، بما في ذلك إزالة القيم الشاذة والتطبيع، تسعى الدراسة إلى سد الفجوة بين النتائج التجريبية والتطبيقات العملية، مما يسهم في التنمية المستدامة للبيوكاربون كحل لإزالة المعادن الثقيلة.
DOI: https://doi.org/10.1038/s41598-025-96271-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40251173
Publication Date: 2025-04-18
Author(s): Zaher Mundher Yaseen et al.
Primary Topic: Rough Sets and Fuzzy Logic
Overview
The research investigates the use of ensemble machine learning (ML) models to predict the adsorption efficiency of heavy metals—specifically lead (Pb), cadmium (Cd), nickel (Ni), copper (Cu), and zinc (Zn)—in contaminated water and soils. The study utilized various ML algorithms, including Random Forest Regressor (RFR), Adaptive Boosting (Adaboost), Gradient Boosting (GB), HistGradientBoosting, Extreme Gradient Boosting (XGBoost), and Light Gradient-Boosting Machine (LightGBM), to analyze data from 353 samples sourced from open literature. After processing the data to remove outliers and scale it for modeling, the XGBoost model demonstrated the highest accuracy, achieving a determination coefficient of $R^2 = 0.92$. Feature importance analysis revealed that the initial concentration ratio of metals to biochar and pH were the most significant factors influencing adsorption efficiency, while physical properties such as surface area and pore structure had minimal impact.
The study concludes that ensemble ML models effectively capture the complex relationships between biochar characteristics and heavy metal adsorption, thereby facilitating the optimization of the adsorption process. Key findings emphasize the importance of chemical properties, including initial concentration, cation exchange capacity, and pH, in the design of biochar for enhanced adsorption. While the results are promising, the authors acknowledge limitations and suggest future research should explore the robustness of these models under diverse real-world conditions. Additionally, they recommend the development of hybrid ML models that integrate multiple algorithms to further improve prediction accuracy, ultimately contributing to better strategies for heavy metal removal from contaminated environments.
Introduction
The introduction highlights the environmental challenges posed by the excessive presence of heavy metals in the Earth’s crust, primarily due to industrial discharges that contaminate groundwater, surface waters, and soils. Biochar emerges as a sustainable solution for the removal of these heavy metals from contaminated soils, attributed to its advantageous physical and chemical properties, including high cation exchange capacity, diverse surface functional groups, and the ability to modify pH. The effectiveness of biochar in reducing heavy metal concentrations is influenced by various factors, such as the type of feedstock, pyrolysis temperature, and interactions with soil properties.
Different heavy metals are removed through distinct mechanisms, including complexation, cation exchange, electrostatic interactions, precipitation, and reduction. For instance, arsenic removal is facilitated by complexation and electrostatic interactions, while cadmium and lead are primarily removed through cation exchange and precipitation. The characteristics of biochar, which vary with pyrolysis conditions, significantly shape these mechanisms. Recent advancements, such as the incorporation of minerals or nanoparticles and activation with alkali solutions, have further enhanced biochar’s efficiency. However, challenges remain, including the need for cost-effective production, addressing competitive sorption in mixed metal environments, and ensuring the feasibility of biochar reuse in field applications. The potential of computer-aided models is suggested as a promising avenue for improving biochar modeling and application.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the analysis reveals that the model used explains approximately 75% of the variance in the dependent variable, indicating a strong predictive capability.
Furthermore, the discussion elaborates on the implications of these findings, suggesting that the identified relationships could inform future research and practical applications in the relevant field. The results align with previous studies, reinforcing existing theories while also providing new insights that may challenge conventional understanding. Overall, the findings contribute to a deeper comprehension of the subject matter and open avenues for further exploration.
Discussion
The discussion highlights the intricate and non-linear interactions between biochar characteristics, environmental conditions, and heavy metal behavior, which complicate the optimization of biochar properties for heavy metal adsorption. Traditional experimental methods and empirical models, such as Langmuir and Freundlich, often fall short in capturing these complexities, leading to a growing interest in machine learning (ML) models as an alternative. ML approaches, particularly support vector machines (SVM) and artificial neural networks (ANN), have shown promise in predicting adsorption capacities and optimizing biochar properties by effectively handling multiple variables such as pH, contact time, and adsorbent dosage. Hybrid models combining various ML algorithms have further enhanced prediction accuracy, demonstrating the potential of ensemble methods like SVM-ANN and others in improving heavy metal removal efficiency.
Despite significant advancements in ML applications for heavy metal adsorption, the literature indicates a need for further exploration of ensemble learning algorithms, such as Random Forest (RF), Gradient Boosting (GB), and XGBoost, which have proven effective in environmental engineering tasks. This research aims to develop and evaluate six different ensemble models to optimize biochar properties for heavy metal adsorption and identify key influencing factors. The study utilizes a comprehensive dataset of 353 adsorption experiments, focusing on various biochar characteristics and adsorption conditions. By employing rigorous data processing techniques, including outlier removal and normalization, the research seeks to bridge the gap between experimental findings and practical applications, ultimately contributing to the sustainable development of biochar as a solution for heavy metal remediation.