Diese Studie kombiniert maschinelles Lernen mit der Quadratimpuls-Oszillationsvoltammetrie (SWASV), um die gleichzeitige Erkennung der Schwermetallionen Cd²⁺, Pb²⁺, Cu²⁺ und Hg²⁺ zu verbessern. Traditionelle elektrochemische Methoden zur Erkennung von Schwermetallionen basieren hauptsächlich auf der Suche nach einem linearen Reaktionsbereich innerhalb eines bestimmten Konzentrationsbereichs, und in mehreren Ionenumgebungen zeigen SWASV-Kurven oft Interferenzen, die die Genauigkeit verringern. In der Studie wurde eine blanke Glaskohlenstoffelektrode verwendet, um wiederholte SWASV-Messungen von Metallionlösungen mit unterschiedlichen Konzentrationen durchzuführen, wichtige Merkmale wie Stromwerte, Spitzenpotential und Spitzenfläche aus den Messdaten extrahiert und Konzentrationsvorhersagemodelle unter Verwendung von Extreme Gradient Boosting (XGBoost) und Random Forest (RF) aufgebaut, wobei Support Vector Machines (SVM) zur Klassifikationsvorhersage verwendet wurden. Unter den Klassifikationsalgorithmen erzielte SVR die besten Ergebnisse (die Fläche unter der ROC-Kurve für die vier Ionen lag über 0,95), und die Vorhersagegenauigkeit (R-Quadrat) der Konzentrationsmodelle von XGBoost und RF erreichte Werte über 0,95 zwischen vorhergesagten und tatsächlichen Werten. Durch die Kombination von SWASV und maschinellem Lernen kann eine hochpräzise Ionenmessung in komplexen Ionengemischen erreicht und die Zuverlässigkeit der Ergebnisse effektiv verbessert werden. Die Ergebnisse der Studie bieten innovative Lösungen für die Umweltüberwachung und Schadstoffkontrolle mehrerer Schwermetallionen und zeigen das Anwendungspotenzial von maschinellem Lernen im Bereich der elektrochemischen Analyse.

Elektrochemie; Schwermetallionen; maschinelles Lernen; Störungsanalyse