.png){kind=icon}
.png){kind=icon}
返回
Machine learning modelling of sonochemical systems using physically-derived dimensionless groups
.png){kind=icon}
OA
AI
DOI：10.1016/j.ultsonch.2025.107593.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
声化学涉及复杂的多元参数效应和非线性相互作用，这些相互作用对传统的分析建模方法提出了挑战，尤其是在跨系统外推时。现有模型主要依赖有量纲的输入变量，限制了其通用性和可解释性。本研究提出了一种机器学习策略，将基于物理推导的无量纲变量（Π项）整合到分类提升（CatBoost）算法中，以克服这些局限性。选取了四种代表性的声化学输出作为模型目标，即声化学发光（SCL）强度、SCL面积，以及来自碘化物氧化自由基（IORS）和IORS与H2O2的超声氧化。评估了七种监督学习算法，包括k近邻（KNN）、线性回归、支持向量回归（SVR）、随机森林、梯度提升、极端梯度提升（XGBoost）和CatBoost，其中基于树的模型表现出更优性能。最终选择CatBoost作为基准模型。使用相同Π项的回归模型在全数据集上达到了R2=0.67–0.90，但需要针对独立验证集进行数据集特定的校正。然而，机器学习框架在预留测试集上达到了更高的预测精度（R2=0.87–0.95），并且无需额外校正即可推广至外部验证数据集。此外，有量纲输入与无量纲输入策略的直接比较表明，无量纲输入模型提供了更优的通用性和任务间一致性，缓解了有量纲模型中观察到的平台效应，并实现了更稳定的特征归因。SHAP分析突出了与空化热缓冲和能量输入标度相关的变量（>50%的联合重要性），为回归模型无法捕捉的非线性行为提供了机制性见解。
Keyword:
Sonochemistry
Machine learning
Dimensionless modelling
CatBoost
Mechanism visualisation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。