Assessing static glass leaching predictions from large datasets using machine learning
Assessing static glass leaching predictions from large datasets using machine learning
复制标题
使用机器学习评估大型数据集的静态玻璃浸出预测
DOI：
10.1016/j.jnoncrysol.2020.120276
复制
发表时间：
2020
影响因子：
3.5
通讯作者：
Lillington J
中科院分区：
文献类型：
--
作者：
Lillington J
在玻璃内玻璃化的放射性废物计划最终在地质处置设施内处置。本研究应用机器学习来预测静态玻璃浸出，使用大约450个玻璃杯的国际实验数据库来训练/测试各种算法。机器学习可以使用基于树的算法（特别是Python中的“BaggingRegressor”和“RandomForestRegressor”）准确地预测这个复杂数据库的B、Li、Na和Si释放。考虑到本研究发现仅使用初始测试参数作为特征的预测不准确，前提是将浸出实验结果（包括元素释放）纳入算法训练变量。经过训练的算法使用外部数据库进行了额外的测试，预测结果显示性能较差，可能是由于数据库之间存在大量MgO和Na2O原始玻璃氧化物成分差异，B释放量通常被高估，Na释放量被低估。使用摩尔氧化物含量的学习效果明显优于重量分数氧化物。
Radioactive waste vitrified within glass is planned to be ultimately disposed of within a geological disposal facility. This study has applied machine learning to predict static glass leaching using an international experimental database of approximately 450 glasses to train/test various algorithms. Machine learning can accurately predict B, Li, Na, and Si releases for this complex database with Tree-based algorithms (notably ‘BaggingRegressor’ and ‘RandomForestRegressor’ in Python). This is provided that leaching experiment results, including elemental releases, are incorporated within the algorithm training variables, given that this study finds inaccurate prediction solely using initial test parameters as features. The trained algorithms underwent additional testing using an external database with prediction showing worse performance, likely due to substantial MgO and Na2O pristine glass oxide compositional variations across databases, with B releases generally being overestimated and Na underestimated. The use of molar oxide content performed significantly better than weight-fraction oxide for learning.
登录
查看更多内容
GLASS 的加速浸出测试：ALTGLASS 3.0 版
影响因子：
5
作者：
Cory L. Trivelpiece;C. Jantzen;C. Crawford
通讯作者：
C. Crawford
水腐蚀下硼硅酸盐玻璃凝胶层形成的一般机制
DOI：
10.1021/acs.jpcc.9b10491
发表时间：
2020
期刊：
The Journal of Physical Chemistry C
影响因子：
--
作者：
Gin S
通讯作者：
Gin S
评估 Magnox 废玻璃溶解的温度依赖性
影响因子：
3.5
作者：
Goût T
通讯作者：
Goût T
通过机器学习预测放射性废玻璃溶解
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
Joseph N. P. Lillington;Thomas L. Goût;M. Harrison;I. Farnan
通讯作者：
I. Farnan
锂对 Magnox 废玻璃溶解的影响
影响因子：
3.5
作者：
Goût T
通讯作者：
Goût T