기계 학습을 이용한 퇴적물 주입 활성탄의 소수성 유기오염물질 겉보기 흡착능 예측

Abstract

Contamination of sediments by hydrophobic organic compounds (HOCs), such as polychlorinated biphenyls and polycyclic aromatic hydrocarbons, poses significant risks to human health and the environment. In-situ stabilization using activated carbon (AC) has emerged as a promising remediation method due to its high efficiency and less impact on surrounding ecosystem. However, due to the complexity sediments possess, accurately predicting the adsorption capacity of sediment-amended AC remains challenging, with no existing prediction model available. In this study, we developed machine learning models that can accurately predict two types of adsorption capacity: the clean adsorption capacity of AC (log⁡〖K_(AC,clean) 〗), which is determined in a water-AC system, and the apparent adsorption capacity (log⁡〖K_(AC,apparent) 〗), which is determined in a sediment-water-AC system. The models were trained using a dataset of 186 experimental data sets which are obtained from previous studies. Through feature selection and evaluation, we identified the most informative features for predicting AC's adsorption capacity. The models, trained separately for log⁡〖K_(AC,clean) 〗 and log⁡〖K_(AC,apparent) 〗, performed the best. The influencing factors for log⁡〖K_(AC,clean) 〗 were the specific surface area of AC, molecular weight, and log⁡〖K_ow 〗 of the adsorbate. On the other hand, log⁡〖K_(AC,apparent) 〗 utilized five input variables, which are the sediment's total organic carbon content and black carbon content, the size of the activated carbon, the molecular weight of the compound, and the duration of the experiment. Our prediction models, employing support vector regression as the selected algorithm, demonstrated excellent performance, achieving a coefficient of determination of 0.91 and a root-mean-square error of 0.38 for log⁡〖K_(AC,clean) 〗 and a coefficient of determination of 0.86 and a root-mean-square error of 0.40 for log⁡〖K_(AC,apparent) 〗. This study shows the potential of machine learning in accurately predicting adsorption capacity and provides valuable insights into the impact of various factors on the adsorption process. The findings contribute to the design of effective in-situ remediation strategies and enhance our understanding of the adsorption process.

소수성 유기오염물질로 오염된 토양은 인간과 생태계에 심각한 위험을 가한다. 활성탄을 이용한 원위치 안정화 기술은 높은 정화 효율과 적은 생태 교란 때문에 각광받고 있는 정화기술의 일종이다. 그러나 퇴적물-물-활성탄 시스템의 복잡성에 의해 활성탄이 퇴적물로 주입되었을 때의 흡착능을 예측하는 것은 여전히 과제로 남아있으며, 아직까지 흡착능 예측 모델이 존재하지 않는 상황이다. 본 연구에서는 순수 분배 계수(물-활성탄 시스템) 뿐만 아니라 겉보기 분배 계수(퇴적물-물-활성탄 시스템)를 예측하는 기계학습 기반 모델을 개발하였다. 기존 연구에서 얻은 186개의 데이터를 이용하여 모델을 학습시켰으며, 변수 선정과 하이퍼파라미터 선정을 통해 모델을 최적화하였다. 순수 분배 계수에 영향을 주는 요소는 흡착제의 비표면적, 흡착질의 분자량과 옥탄올-물 분비 계수이며, 겉보기 분배 계수에 영향을 주는 요소는 퇴적물 특성인 총유기탄소량과 black carbon양, 흡착제의 특성인 활성탄 입자 크기, 흡착질의 특성인 분자량, 그리고 실험 조건인 실험 기간으로 나타났다. 다른 구조를 가진 세 가지 모델을 비교하여 순수 분배 계수와 겉보기 분배 계수를 분리하여 학습시키는 모델 구조가 가장 좋은 성능을 보이는 것을 확인하였으며, 이를 통해 순수 분배 계수와 겉보기 분배 계수에 영향을 미치는 요소가 다르다는 것을 확인하였다. 최종 예측 모델은 모두 support vector regressor를 기계학습 알고리즘으로 활용하였으며, 순수 분배 계수에 대해서는 결정 계수 0.91과 평균 제곱근 오차 0.38, 겉보기 분배 계수에 대해서는 결정 계수 0.86과 평균 제곱근 오차 0.40을 달성하였다. 본 연구는 활성탄의 흡착능 예측에 있어서 기계 학습의 적용 가능성을 제시하고, 순수 분배 계수 예측 모델과 겉보기 분배 계수 예측 모델의 차이에 대해 집중적으로 논의하였다. 이룰 통해 퇴적물 주입 활성탄에서 발생하는 흡착 과정에 대해 더욱 폭넓게 이해하여 원위치 안정화 기술을 효율적으로 적용 및 관리하는 데에 기여하였다.