近日，我校工學院材料科學與工程系伍濤教授（第一和通訊作者）以我校為第一單位在化學領域知名期刊《Science of the Total Environment》（中科院一區TOP，IF：8.2）上，發表題為 “Predicting anion diffusion in bentonite using hybrid machine learning model and correlation of physical quantities” 的研究文章。

　　我國計劃2050年在甘肅北山建立我國第一座高放廢物地質處置庫，用于處理危險性極大的高放廢物。放射性核素的擴散問題一直是研究的熱點，了解放射性核素如何在介質中遷移對處置庫的安全評價至關重要。膨潤土作為一種常用的隔離材料，其微觀結構對放射性核素擴散的影響機制尚不完全清楚。因此，建立一個能夠闡明膨潤土微觀結構與介觀擴散之間內在聯系的模型，對于深入理解放射性核素擴散機制具有重要意義。

　　本研究采用輕量梯度提升算法（LightGBM）來預測膨潤土中放射性核素的有效擴散系數。通過日本原子能機構的核素擴散數據庫和收集的實驗數據進行數據建模，結合多種相關物理量，如介觀參數（總孔隙度、巖石容量因子和離子摩爾電導率）和微觀參數（離子半徑和蒙脫石堆疊數），構建了一個包含微觀和介觀特征的核素擴散數據集，輸入參數包含膨潤土性質、核素性質和孔隙水性質共計16個輸入參數，樣本數為287個。采用粒子群優化（PSO）算法優化LightGBM模型的超參數。為了驗證PSO-LightGBM模型的預測性能，測試集采用貫穿擴散法測得了HCrO4-、I-和CoEDTA2-在壓實膨潤土中的擴散參數，包括有效擴散系數和有效孔隙率，共計16個樣本數。PSO-Light GBM模型的預測精度> 0.89此外，該模型采用Spearman相關性和Shapley分析技術發現壓實干密度、水中的離子擴散系數、離子半徑和總孔隙度是16個輸入特征中的最重要的四個影響因素。部分依賴圖分析闡明了有效擴散系數與每個輸入特征之間的關系，分析結果與實驗結果一致，證明了該機器學習模型具備分析核素擴散規律和機理的能力。

　　本研究采用融合機器學習算法將膨潤土的微觀結構與放射性核素擴散聯系起來，提供了對擴散機制的全面解釋。該研究成果為我國高放廢物地質處置庫的安全評價提供了科學依據，具有重要的理論和實際應用價值。

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

　　通訊員：姚玲虹