Artificial intelligence-assisted prediction of critical factors governing pesticide adsorption by agricultural wastes in wastewater treatment
Notice bibliographique
Résumé
Agricultural waste-based adsorbents offer a sustainable, cost-effective solution for pesticide removal via adsorption. However, predicting removal efficiency under diverse experimental conditions remains challenging, especially when combining quantitative and qualitative variables. This study proposes a robust machine learning framework to predict pesticide removal efficiency using Random Forest (RF), Least-Square Boosting (LSBoost), and Extreme Learning Machine (ELM), each optimized through Bayesian Optimization with six acquisition functions. A curated dataset of 1,983 samples from the literature was used, comprising eight input variables: pesticide type, adsorbent type, initial concentration, contact time, pH, adsorbent to solvent ratio, pretreatment type, and adsorbent form. The target variable was pesticide removal efficiency (%). To determine optimal input combinations, 255 RF-based models (1–8 variables) were developed using cross-validation. RF consistently outperformed other models, achieving the highest predictive accuracy (R = 0.970, NSE = 0.937) and lowest error (NRMSE = 0.099, MAPE = 13.19%). LSBoost produced moderate accuracy, particularly with fewer variables, but showed sensitivity to input structure. ELM underperformed, especially with heterogeneous input features. Feature importance analysis revealed contact time, initial concentration, and adsorbent-to-solvent ratio as the most influential variables, whereas pretreatment type and adsorbent form had minimal impact. Pesticide-specific RF models showed that contact time, adsorbent-to-solvent ratio, and initial concentration were key for atrazine and chlorpyrifos removal, while adsorbent type was also critical for carbofuran. For diazinon, contact time, adsorbent type, and adsorbent-to-solvent ratio were the primary predictors. The findings of this study offer valuable guidance for designing efficient, sustainable pesticide removal systems using agro-waste-based adsorbents.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».