我校教师在国际知名期刊《Science of the Total Environment》上发表研究论文（图）

　　近日，我校工学院材料科学与工程系伍涛教授（第一和通讯作者）以我校为第一单位在化学领域知名期刊《Science of the Total Environment》（中科院一区TOP，IF：8.2）上，发表题为 “Predicting anion diffusion in bentonite using hybrid machine learning model and correlation of physical quantities” 的研究文章。

　　我国计划2050年在甘肃北山建立我国第一座高放废物地质处置库，用于处理危险性极大的高放废物。放射性核素的扩散问题一直是研究的热点，了解放射性核素如何在介质中迁移对处置库的安全评价至关重要。膨润土作为一种常用的隔离材料，其微观结构对放射性核素扩散的影响机制尚不完全清楚。因此，建立一个能够阐明膨润土微观结构与介观扩散之间内在联系的模型，对于深入理解放射性核素扩散机制具有重要意义。

　　本研究采用轻量梯度提升算法（LightGBM）来预测膨润土中放射性核素的有效扩散系数。通过日本原子能机构的核素扩散数据库和收集的实验数据进行数据建模，结合多种相关物理量，如介观参数（总孔隙度、岩石容量因子和离子摩尔电导率）和微观参数（离子半径和蒙脱石堆叠数），构建了一个包含微观和介观特征的核素扩散数据集，输入参数包含膨润土性质、核素性质和孔隙水性质共计16个输入参数，样本数为287个。采用粒子群优化（PSO）算法优化LightGBM模型的超参数。为了验证PSO-LightGBM模型的预测性能，测试集采用贯穿扩散法测得了HCrO4-、I-和CoEDTA2-在压实膨润土中的扩散参数，包括有效扩散系数和有效孔隙率，共计16个样本数。PSO-Light GBM模型的预测精度> 0.89此外，该模型采用Spearman相关性和Shapley分析技术发现压实干密度、水中的离子扩散系数、离子半径和总孔隙度是16个输入特征中的最重要的四个影响因素。部分依赖图分析阐明了有效扩散系数与每个输入特征之间的关系，分析结果与实验结果一致，证明了该机器学习模型具备分析核素扩散规律和机理的能力。

　　本研究采用融合机器学习算法将膨润土的微观结构与放射性核素扩散联系起来，提供了对扩散机制的全面解释。该研究成果为我国高放废物地质处置库的安全评价提供了科学依据，具有重要的理论和实际应用价值。

DOI：https://doi.org/10.1016/j.scitotenv.2024.174363

　　通讯员：姚玲虹