Este estudo combina técnicas de aprendizado de máquina com voltametria pulsada oscilatória de onda quadrada (SWASV) para melhorar a capacidade de detecção simultânea dos íons metálicos pesados Cd²⁺, Pb²⁺, Cu²⁺ e Hg²⁺. Métodos eletroquímicos tradicionais para detectar íons metálicos pesados baseiam-se principalmente na busca por uma faixa de resposta linear dentro de determinada concentração, e em ambientes multiónicos, as curvas SWASV frequentemente apresentam interferências, reduzindo a precisão. Este estudo utilizou um eletrodo de carbono vítreo nu para realizar detecções SWASV repetidas em soluções iônicas de diferentes concentrações, extraiu características importantes dos dados de detecção, como valores de corrente, potencial de pico e área do pico, e combinou Extreme Gradient Boosting (XGBoost) e Random Forest (RF) para construir modelos de predição de concentração, usando máquinas de vetor de suporte (SVM) para previsão de classificação. Entre os algoritmos de classificação, o SVR apresentou o melhor desempenho (área sob a curva ROC para os quatro íons superior a 0,95), e os modelos de predição de concentração XGBoost e RF atingiram ajuste (R-quadrado) superior a 0,95 entre os valores previstos e reais. Ao combinar SWASV e aprendizado de máquina, é possível alcançar uma detecção iônica de alta precisão em sistemas iônicos complexos, melhorando efetivamente a confiabilidade dos resultados. Os resultados deste estudo fornecem uma solução inovadora para monitoramento ambiental e controle da poluição por múltiplos metais pesados, demonstrando o potencial de aplicações do aprendizado de máquina no campo da análise eletroquímica.

eletroquímica; íons metálicos pesados; aprendizado de máquina; análise de interferência