Ein neues Forschungsprojekt hat gezeigt, dass ein auf maschinellem Lernen basierendes XGBoost‑Modell die photokatalytische Zersetzung des Antibiotikums Spiramycin mit einer prognostizierten Effizienz von rund 87,6 % vorhersagen kann. Die Untersuchung kombiniert experimentelle Daten mit einer datengetriebenen Optimierung, um operative Parameter für den Einsatz von Wolframtrioxid (WO3) als Photokatalysator zu bestimmen.
Hintergrund der Untersuchung
Antibiotika gelangen weltweit über Abwässer in Oberflächengewässer und stellen sowohl für die menschliche Gesundheit als auch für Ökosysteme ein zunehmendes Risiko dar. Der anhaltende Anstieg des Verbrauchs, etwa 11,8 kg jährlich für Amoxicillin, führt zu einer persistierenden Belastung, die mit herkömmlichen Behandlungsmethoden schwer zu entfernen ist.
Experimentelle Vorgehensweise
Die Forscher wählten drei operative Parameter – den pH‑Wert der Reaktionslösung, die Konzentration des WO3‑Katalysators und die Anfangskonzentration von Spiramycin – und führten 45 Versuche unter variierenden Bedingungen durch. Die gemessenen Abbaugrade dienten als Grundlage für das nachfolgende maschinelle Lernmodell.
Das XGBoost‑Modell, das auf den 45 Datensätzen trainiert und getestet wurde, erreichte R²‑Werte von 0,992 bzw. 0,983, was auf eine hohe Vorhersagegenauigkeit hinweist. Durch SHAP‑Analyse konnten die Forscher die relative Bedeutung der Eingangsgrößen quantifizieren.
Optimale Bedingungen und Ergebnisse
Die Modellierung ergab, dass ein pH‑Wert von 5,0, eine WO3‑Konzentration von 0,125 g l⁻¹ und eine Spiramycin‑Konzentration von 0,15 g l⁻¹ zu dem höchsten gemessenen Abbau führen. Unter diesen Bedingungen erreichte der Abbaugrad nahezu 87,6 %.
Die Analyse der reaktiven Spezies zeigte, dass Hydroxylradikale (OH•) die dominierende Rolle beim Abbau spielen, gefolgt von photoinduzierten Löchern (h⁺) und Wasserstoffperoxid (H₂O₂). Auf dieser Basis wurde ein detaillierter photokatalytischer Mechanismus vorgeschlagen.
Die Autoren schließen daraus, dass maschinelles Lernen, insbesondere XGBoost, ein leistungsfähiges Werkzeug für die Vorhersage und Optimierung von Photokatalyseprozessen darstellt und künftig zur effizienten Entfernung von Spurkontaminanten aus Gewässern beitragen kann.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung