음향전기화학 산화 예측 및 역설계
음향전기화학(US-EC) 산화는 신규 오염물질 제거에 유망하나, 그 분해 동역학은 운전 조건, 반응기 특성, 오염물질 속성 간의 복합적인 상호작용에 의해 영향을 받습니다. 본 연구는 US-EC 산화의 동역학 예측, 신뢰성 평가 및 역설계를 위한 머신러닝 프레임워크를 개발했습니다. 224개의 실험 및 문헌 데이터를 포함하는 데이터베이스를 구축하고, XGBoost 모델이 가장 안정적인 예측 성능을 보였습니다. 물리화학 및 양자화학적 분자 기술자를 추가했을 때 RMSE가 3.69% 감소했으며, 인가 전압, 전극 재료, 전극 간격, log Kow가 중요한 예측 인자로 도출되었습니다. 적용성 영역 분석 결과, 훈련 데이터의 지원이 약한 관측치에서 예측 오류가 증가함을 확인했습니다. 시나리오 분석은 전극 간격 변화에 대한 일반적인 반응을 재현했지만, 초음파 주파수 경향에는 제한적인 민감도를 보였습니다. 이는 변수의 수치적 커버리지 만으로는 관련 공정 조건이 훈련 데이터에 충분히 반영되지 않을 때 신뢰할 수 있는 예측을 보장할 수 없음을 시사합니다. 최종적으로 XGBoost 모델을 도메인 제약 입자 군집 최적화 알고리즘과 결합하여 카페인 분해를 위한 최적의 운전 조건을 도출했으며, 실험 검증을 통해 예측값과 측정값이 매우 유사함을 확인했습니다. 본 연구는 US-EC 공정의 효율적인 설계 및 최적화를 위한 강력한 머신러닝 기반 도구를 제공하며, 오염물질 분해 동역학 예측의 신뢰성을 높이는 데 기여합니다.