[发明专利]一种基于机器学习的修复有机污染土壤的方法

说明书

本发明公开了一种机器学习调控化学氧化耦合微生物修复有机污染土壤的方法，所述方法先用化学氧化预处理有机污染土壤，再利用土著微生物进一步修复有机污染土壤；再结合有机污染土壤类型(LC\S)、氧化剂类型(PP\PS\FR\HO)、氧化剂浓度(C)、修复时间(T)、氧化还原电位(Eh)、总有机碳含量(TOC)、土壤酸碱度(pH)和苯并芘去除率(BaP％)开展人工智能机器学习的训练、十折交叉验证和XGBoost模型构建；评估并验证最优的XGBoost模型；最终通过最优的XGBoost模型协同Eh调控化学氧化耦合微生物修复有机污染土壤。本发明方法实现了过程可控制、结果可预测且绿色、经济和高效的机器学习调控化学氧化耦合微生物修复有机污染土壤目标，适用于大规模使用。

技术领域

本发明主要涉及有机污染土壤耦合修复技术领域，尤其涉及一种基于机器学习的调控化学氧化耦合微生物修复有机污染土壤的方法。

背景技术

城市化进程及产业调整遗留大量有机污染场地土壤，有机污染物会破坏生态环境并增加人类健康风险，有机污染场地土壤再开发利用前亟需一种绿色、经济和高效的修复技术。常见的有机污染土壤修复技术有气相抽提、热脱附、化学淋洗、化学氧化还原和微生物修复等。气相抽提与热脱附需要整套大型设备且不能真正去除有机物；化学淋洗液易产生二次污染(Kuppusamy S,Thavamani P,Venkateswarlu K,et al.Remediationapproaches for polycyclic aromatic hydrocarbons(PAHs)contaminated soils:Technological constraints,emerging trends and future directions[J].Chemosphere.2017,168:944-968.)。化学氧化耦合微生物修复技术集成修复周期短、治理方案灵活、可去除难降解有机物与修复成本低、环境友好的技术优点。有机物(如BaP)的检测大都采用传统实验室技术，需贵重设备、繁杂前处理和大量时间。XGBoost是基于梯度提升技术实现人工智能机器学习算法(Peterson J C,Bourgin D D,Agrawal M,et al.Usinglarge-scale experiments and machine learning to discover theories of humandecision-making[J].Science.2021,372(6547):1209-1214)，具有更强学习器的分类与回归树集成模型，相比传统模型具有更快速、稳定和精准的数据拟合能力。

发明内容

鉴于此，本发明提出了一种基于机器学习的调控化学氧化耦合微生物修复有机污染土壤的方法。

为实现上述技术目的，本发明的技术方案为：本发明实施例提出了一种基于机器学习的修复有机污染土壤的方法，所述方法具体为：先化学氧化预处理有机污染土壤，再利用土著微生物进一步修复有机污染土壤；采集修复有机污染土壤过程中的有机污染土壤类型、氧化剂类型、氧化剂浓度、修复时间、氧化还原电位、总有机碳含量、土壤酸碱度和苯并芘去除率数据；利用十折交叉验证构建XGBoost模型，并进行训练，得到最优的XGBoost模型，通过最优的XGBoost模型协同Eh调控化学氧化耦合微生物修复有机污染土壤。

进一步地，所述有机污染土壤类型包括苯并芘有机污染壤质粘土和苯并芘有机污染壤质砂土。

进一步地，所述化学氧化预处理有机污染土壤通过高锰酸钾、硫酸亚铁与过硫酸钠、芬顿试剂或双氧水预处理有机污染土壤。

进一步地，通过高锰酸钾预处理有机污染土壤的过程具体为；根据修复的土壤质量，按土水比1kg：1L加入浓度为1.96～15.8g/L高锰酸钾溶液；

通过硫酸亚铁与过硫酸钠预处理有机污染土壤的过程具体为；根据修复的土壤质量，按土水比2kg：1L加入浓度为16.72-133.44g/L七水硫酸亚铁活化剂溶液，再按土水比2kg：1L加入浓度为1.20-9.52g/L过硫酸钠溶液，且保持硫酸亚铁与化学氧化物质量的之比是9.6：1；