Unveiling the potential of machine learning in cost-effective degradation of pharmaceutically active compounds: A stirred photo-reactor study
Notice bibliographique
Résumé
In this study, neural networks and support vector regression (SVR) were employed to predict the degradation over three pharmaceutically active compounds (PhACs): Ibuprofen (IBP), diclofenac (DCF), and caffeine (CAF) within a stirred reactor featuring a flotation cell with two non-concentric ultraviolet lamps. A total of 438 datapoints were collected from published works and distributed into 70% training and 30% test datasets while cross-validation was utilized to assess the training reliability. The models incorporated 15 input variables concerning reaction kinetics, molecular properties, hydrodynamic information, presence of radiation, and catalytic properties. It was observed that the Support Vector Regression (SVR) presented a poor performance as the ε hyperparameter ignored large error over low concentration levels. Meanwhile, the Artificial Neural Networks (ANN) model was able to provide rough estimations on the expected degradation of the pollutants without requiring information regarding reaction rate constants. The multi-objective optimization analysis suggested a leading role due to ozone kinetic for a rapid degradation of the contaminants and most of the results required intensification with hydrogen peroxide and Fenton process. Although both models were affected by accuracy limitations, this work provided a lightweight model to evaluate different Advanced Oxidation Processes (AOPs) by providing general information regarding the process operational conditions as well as know molecular and catalytic properties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».