铁氧化物上重金属结合形态及释放风险的预测方法及应用技术

本发明专利技术提供了一种铁氧化物上重金属结合形态及释放风险的预测方法，包括以下步骤：S1.从文献库和专业库中设计并提取铁氧化物上重金属结合形态描述符标签、铁氧化物性质、金属性质以及反应条件特征，构成样本数据集；S2.对所述样本数据集进行预处理，得预处理样本数据集；S3确定铁氧化物上重金属结合形态预测模型，得到铁氧化物上重金属结合形态结果；S4.基于所述铁氧化物上重金属结合形态结果、重金属元素含量以及重金属毒性响应系数建立重金属释放风险预测模型。本发明专利技术步骤精简、结果准确，值得推广。值得推广。值得推广。

【技术实现步骤摘要】
铁氧化物上重金属结合形态及释放风险的预测方法及应用


[0001]本专利技术属于污染风险评估
，具体涉及一种铁氧化物上重金属结合形态及释放风险的预测方法及应用。

技术介绍

[0002]近年来，重金属环境污染环境问题时有发生，导致土壤重金属污染严重。其中，由于铁氧化物(包括水铁矿、针铁矿、赤铁矿等)大量应用于湿法炼锌、钢铁冶炼、污水处理等工业过程中，铁氧化物广泛存在于地表土壤与工业固废当中，是土壤的主要组成矿物。
[0003]目前对固体废弃物或土壤重金属的环境风险评估多通过环境指标计算，常用的方法有风险评估指数法和潜在生态风险指数法。风险评估指数侧重于考虑重金属有效态的影响，潜在生态风险指数法侧重于考虑重金属毒的影响。然而上述方法都从固废或土壤整体出发，笼统的通过重金属总量或各形态含量判断污染风险，存在精确性不高、程序繁杂、可实施性不强的技术问题。
[0004]基于此，有必要提供一种铁氧化物上重金属结合形态及释放风险的预测方法，以解决上述现有重金属环境评估技术中存在的精确性不高、程序繁杂、可实施性不强的技术问题。

技术实现思路

[0005]旨在解决上述现有重金属环境评估技术中存在的精确性不高、程序繁杂、可实施性不强的技术问题，本专利技术提供了一种铁氧化物上重金属结合形态及释放风险的预测方法，包括以下步骤：
[0006]S1.从文献库和专业库中收集铁氧化物上重金属结合形态描述符标签、铁氧化物性质、金属性质以及反应条件特征，构成样本数据集；
[0007]S2.对所述样本数据集进行预处理，得预处理样本数据集；
[0008]S3.将所述预处理数据集划分为训练集以及测试集，基于所述训练集与所述测试集选择机器学习算法，并确定铁氧化物上重金属结合形态预测模型，得到铁氧化物上重金属结合形态结果；
[0009]S4.基于所述铁氧化物上重金属结合形态结果、重金属元素含量以及重金属毒性响应系数建立重金属释放风险预测模型；
[0010]S5.利用所述重金属释放风险预测模型对铁氧化物上结合的重金属释放风险进行计算评估。
[0011]进一步的，所述铁氧化物包括水铁矿、针铁矿、赤铁矿、磁铁矿、纤铁矿、磁赤铁矿、黄钾铁矾、黄钠铁矾以及施氏矿物中的一种或多种。。
[0012]进一步的，所述铁氧化物上重金属结合形态描述符标签指标包括结合类型、配位构型数、配位间距和配位数中的一种或多种；所述铁氧化物性质包括铁氧化物分子量、铁氧比、比表面积、晶胞参数、铁氧化物浓度和重结晶行为中的一种或多种；所述金属性质包括
相对原子质量、离子半径、离子氧原子数、电负性、浓度；所述反应条件特征包括pH、背景有机质浓度、背景离子强度、温度和时间中的一种或多种。
[0013]进一步的，所述步骤S2中所述预处理包括步骤：
[0014]S21.对所述样本数据集中的缺失数据进行填充，得第一样本数据集；
[0015]其中，所述填充方法包括：中位数填充法、均值填充法、最近距离决定填充法、K
‑
最近邻法；
[0016]S22.对所述第一样本数据集进行标准化处理，得预处理样本数据集，其中所述标准化处理的方法包括极差标准化法、线性比例标准化法或Z
‑
score标准化法。
[0017]进一步的，所述步骤S3包括步骤：
[0018]S31.将所述预处理样本数据集划分为训练集以及测试集；
[0019]S32.利用训练集对机器学习算法进行训练，并在训练过程中确定并优化超参数；
[0020]其中，所述机器学习算法包括梯度提升树、神经网络、随机森林、深度森林和支持向量机；所述超参数的确定方法包括经验法、网格搜索法和优化算法；
[0021]S33.采用所述测试集对所述确定并优化超参数过后的机器学习算法进行评价，将评价结果最佳的所述机器学习算法确定为所述重金属结合形态预测模型；
[0022]S34.基于所述重金属结合形态预测模型，得到所述铁氧化物上重金属结合形态结果。
[0023]进一步的，所述步骤S32中所述优化超参数包括步骤，在所述训练集上对所述超参数进行交叉验证。
[0024]进一步的，所述步骤S33中对所述重金属结合形态预测模型进行评价，所述评价的指标计算公式如下：
[0025][0026][0027]其中ACC为正确率、R为相关系数、TP为真正例样本个数、TN为真负例样本个数，P正例样本个数、N为负例样本个数，y
i
为样本真实值、y
i*
预测值，为样本真实值的均值、分别为预测值的均值。
[0028]进一步的，所述步骤S4中所述重金属释放风险预测模型的表达式为：
[0029][0030]其中，RI表示铁氧化物上重金属释放风险；H
j
为单种重金属释放风险，j表示重金属种类，共n种。
[0031]进一步的，所述步骤S4中所述重金属释放风险预测模型的表达式中H
j
的具体表达式为：
[0032][0033]其中，φ表示重金属的结合类型，φ取0为静电结合，φ取1为配位结合；θ表示重金属结合形态构型数，θ取0表示有双种构型，θ取1表示有单种构型，β表示静电脱附系数，β∈(0，1]；R
j
和C
j
分别表示第j种重金属的配位间距和配位数；R
ji
和C
ji
分别表示第j种重金属第i种构型的配位间距和配位数；D
j
表示第j种重金属的构型修正系数；k
ji
表示第j种重金属第i种构型的分配系数；W
j
和T
j
分别表示第j种重金属的含量和毒性响应系数。
[0034]本专利技术还提供了一种如上任意一项所述的铁氧化物上金属结合形态及释放风险的预测方法在重金属污染治理中的应用。
[0035]与现有技术相比，本专利技术至少包括以下优点：
[0036]1、本专利技术创造性地利用铁氧化物的结合形态预测重金属释放风险。由于铁氧化物表面Fe原子具有不饱和配位位点，拥有较大比表面积和较强反应活性，会优先与有毒重金属结合，进而影响重金属的释放。而铁氧化物上重金属结合存在着稳定性各异的结合类型，如静电吸附、内球共边配位和内球共角配位等等，其本质是结合形态的配位数和配位间距不同。换句话说，重金属结合形态的配位间距、配位数决定了重金属释放的可能性与风险值大小。本专利技术的技术方案抽丝剥茧地将影响重金属结合的因素由铁氧化物上重金属结合形态追溯至配位间距以及配位数，从根源上预测重金属的释放风险，保证了结果的精确性以及客观性。
[0037]2、本专利技术将机器学习与重金属结合形态相结合构建重金属结合形态模型，又利用测得的重金属结合形态结果与重金属元素含量、重金属毒性响应系数协同构建重金属释放风险预测模型，双模型耦合保证了重金属释放风险预测的精准性。相较常用技术中受制于相关光谱仪器资源极少(仅有4台)，且操作复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁氧化物上重金属结合形态及释放风险的预测方法，其特征在于，包括以下步骤：S1.从文献库和专业库中设计并提取铁氧化物上重金属结合形态描述符标签、铁氧化物性质、金属性质以及反应条件特征，构成样本数据集；S2.对所述样本数据集进行预处理，得预处理样本数据集；S3.将所述预处理数据集划分为训练集以及测试集，基于所述训练集与所述测试集选择机器学习算法，并确定铁氧化物上重金属结合形态预测模型，得到铁氧化物上重金属结合形态结果；S4.基于所述铁氧化物上重金属结合形态结果、重金属元素含量以及重金属毒性响应系数建立重金属释放风险预测模型。2.根据权利要求1所述的预测方法，其特征在于，所述铁氧化物包括水铁矿、针铁矿、赤铁矿、磁铁矿、纤铁矿、磁赤铁矿、黄钾铁矾、黄钠铁矾以及施氏矿物中的一种或多种。3.根据权利要求1所述的预测方法，其特征在于，所述铁氧化物上重金属结合形态描述符标签包括结合类型、配位构型数、配位间距和配位数中的一种或多种；所述铁氧化物性质包括铁氧化物分子量、铁氧比、比表面积、晶胞参数、铁氧化物浓度和重结晶行为中的一种或多种；所述金属性质包括相对原子质量、离子半径、离子氧原子数、电负性和浓度中的一种或多种；所述反应条件特征包括pH、背景有机质浓度、背景离子强度、温度和时间中的一种或多种。4.根据权利要求1所述的预测方法，其特征在于，所述步骤S2中所述预处理包括步骤：S21.对所述样本数据集中的缺失数据进行填充，得第一样本数据集；其中，所述填充方法包括：中位数填充法、均值填充法、最近距离决定填充法和K
‑
最近邻法中的一种或多种；S22.对所述第一样本数据集进行标准化处理，得预处理样本数据集，其中所述标准化处理的方法包括极差标准化法、线性比例标准化法或Z
‑
score标准化法。5.根据权利要求1所述的预测方法，其特征在于，所述步骤S3包括步骤：S31.将所述预处理样本数据集划分为训练集以及测试集；S32.利用所述训练集对机器学习算法进行训练，并在训练过程中确定并优化超参数；其中，所述机器学习算法包括梯度提升树、神经网络、随机森林、深度森林和支持向量机；其中，所述超参数的确定方法包括经验法、网格...

【专利技术属性】
技术研发人员：颜旭，刘俊钦，林璋，王海鹰，张文超，梁彦杰，柯勇，李音，杜佳盼，彭苏怡，
申请(专利权)人：中南大学，
类型：发明
国别省市：