Cette étude combine les techniques d'apprentissage automatique avec la voltammétrie d'oscillation impulsionnelle carrée (SWASV) pour améliorer la capacité de détection simultanée des ions métalliques lourds Cd²⁺, Pb²⁺, Cu²⁺ et Hg²⁺. Les méthodes électrochimiques traditionnelles pour détecter les ions métalliques lourds reposent principalement sur la recherche d'une zone de réponse linéaire dans une certaine plage de concentrations, et dans un environnement multi-ionique, les courbes SWASV présentent souvent des interférences, ce qui réduit la précision. Cette étude utilise une électrode en carbone vitreux nu pour effectuer des mesures SWASV répétées sur des solutions ioniques à différentes concentrations, extrait des caractéristiques importantes telles que les valeurs de courant, les potentiels de pic et les surfaces de pic des données de détection, et construit des modèles de prédiction de concentration combinant XGBoost et forêt aléatoire (RF), utilisant la machine à vecteurs de support (SVM) pour la prédiction de classification. Parmi les algorithmes de classification, SVR donne les meilleurs résultats (la surface sous la courbe ROC pour les quatre ions est supérieure à 0,95), et les modèles de prédiction de concentration XGBoost et RF atteignent un degré d'ajustement (R-squared) supérieur à 0,95 entre les valeurs prédites et réelles. En combinant SWASV et l'apprentissage automatique, il est possible d'obtenir une détection ionique de haute précision dans des systèmes ioniques complexes et d'améliorer efficacement la fiabilité des résultats. Les résultats de cette étude fournissent une solution innovante pour la surveillance environnementale et le contrôle de la pollution par les métaux lourds multiples, et démontrent le potentiel de l'apprentissage automatique dans le domaine de l'analyse électrochimique.

électrochimie; ions métalliques lourds; apprentissage automatique; analyse des interférences