В данном исследовании сочетались технологии машинного обучения с квадратурной волновой импульсной осцилляционной вольтамперометрией (SWASV) для повышения способности одновременного обнаружения ионов тяжелых металлов Cd²⁺, Pb²⁺, Cu²⁺ и Hg²⁺. Традиционные электрохимические методы обнаружения ионов тяжелых металлов в основном основываются на поиске линейного диапазона отклика в определенном диапазоне концентраций, и в условиях многокатионного окружения кривые SWASV часто испытывают интерференцию, что снижает точность. В исследовании использовали неэкранированный углеродный электрод для повторных SWASV-измерений растворов ионов с различными концентрациями, из данных измерений выделяли такие важные параметры, как ток, потенциал пика и площадь пика, а также строили модели прогнозирования концентрации с помощью экстремального градиентного бустинга (XGBoost) и случайного леса (RF), используя метод опорных векторов (SVM) для классификационного прогнозирования. Лучшие результаты в классификации показал SVR (площадь под ROC-кривой для четырех ионов превышала 0,95), коэффициент детерминации (R-квадрат) между предсказанными и истинными значениями моделей XGBoost и RF превышал 0,95. Совмещая SWASV и машинное обучение, удалось добиться высокой точности обнаружения ионов в сложных ионных смесях и значительно повысить надежность результатов. Результаты исследования предоставляют инновационные решения для мониторинга окружающей среды и контроля загрязнений тяжелыми металлами, а также демонстрируют потенциал применения машинного обучения в электрохимическом анализе.

электрохимия;ионы тяжелых металлов;машинное обучение;анализ помех