How machine learning boosts the understanding of organic pollutant adsorption on carbonaceous materials: A comprehensive review with statistical insights

吸附 计算机科学 工作流程 生化工程 纳米技术 工艺工程 材料科学 化学 工程类 有机化学 数据库
作者
Zichu Wang,Qi Wang,Fan Yang,Chunmiao Wang,Min Yang,Jianwei Yu
出处
期刊:Separation and Purification Technology [Elsevier]
卷期号:350: 127790-127790 被引量:1
标识
DOI:10.1016/j.seppur.2024.127790
摘要

The application of machine learning (ML) is promising to solve the difficulty of predicting the adsorption of various organic pollutants on carbonaceous materials. This study highlights how ML advances the adsorption research, emphasizes the robust model construction specialized for presenting various application scenarios of adsorption models. We introduce, for the first time, a systematic data preparation workflow tailored for optimizing adsorption studies. Emphasis is given to addressing key challenges in data preparation, including managing adsorption datasets, preventing data leakage, and choosing descriptors wisely. Various algorithms used in 39 previous related studies were included in statistical analysis, and the applications of emerging algorithms in adsorption were prospected. For the data-driven model, the application of importance analysis is beneficial for comprehending adsorption mechanisms, transforming the black-box models into a glass-box ones. It facilitates the identification of primary features governing the adsorption of distinct emerging contaminants and the optimized design of efficient carbonaceous adsorbents. In addition, this review provides prospects for the advanced ML applications in adsorption research, such as its integration with reinforcement learning policies. We also explore the potential of ML in addressing the complexities associated with multi-component adsorption. In sum, this review offers unprecedented illumination into the opportunities and challenges posed by ML in the realm of aqueous adsorption processes.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
西洲完成签到 ,获得积分10
7秒前
小贾爱喝冰美式完成签到 ,获得积分10
12秒前
18秒前
wblydz完成签到 ,获得积分10
19秒前
jiangjiang完成签到 ,获得积分10
19秒前
20秒前
eyu完成签到,获得积分10
20秒前
负责的寒梅完成签到 ,获得积分10
23秒前
随影相伴发布了新的文献求助10
24秒前
小蘑菇应助wblydz采纳,获得10
28秒前
随影相伴完成签到,获得积分10
31秒前
TJW完成签到 ,获得积分10
32秒前
赧赧完成签到 ,获得积分10
32秒前
老王完成签到,获得积分10
34秒前
40秒前
chhzz完成签到 ,获得积分10
40秒前
丹妮完成签到,获得积分10
41秒前
杰行天下完成签到,获得积分10
42秒前
Ll完成签到 ,获得积分10
43秒前
背书强完成签到 ,获得积分10
43秒前
44秒前
平常雨泽完成签到 ,获得积分10
46秒前
Qqqqqq发布了新的文献求助10
46秒前
酷酷涫完成签到 ,获得积分0
47秒前
共享精神应助科研通管家采纳,获得20
50秒前
情怀应助科研通管家采纳,获得10
50秒前
Omni发布了新的文献求助10
50秒前
Qqqqqq完成签到,获得积分20
52秒前
嗯嗯嗯哦哦哦完成签到 ,获得积分10
52秒前
雷九万班完成签到 ,获得积分10
58秒前
爱静静应助细心的语蓉采纳,获得10
1分钟前
善学以致用应助HuiHui采纳,获得10
1分钟前
怀仁完成签到 ,获得积分10
1分钟前
风吹草动玉米粒完成签到,获得积分10
1分钟前
小梦完成签到,获得积分10
1分钟前
roundtree完成签到 ,获得积分0
1分钟前
zyy完成签到 ,获得积分10
1分钟前
eternal_dreams完成签到 ,获得积分10
1分钟前
含糊的茹妖完成签到 ,获得积分10
1分钟前
YANG完成签到 ,获得积分10
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3150630
求助须知:如何正确求助?哪些是违规求助? 2802177
关于积分的说明 7846164
捐赠科研通 2459431
什么是DOI,文献DOI怎么找? 1309256
科研通“疑难数据库(出版商)”最低求助积分说明 628793
版权声明 601757