В данном исследовании используется ближняя инфракрасная (NIR) технология в сочетании с легковесным градиентным бустингом (LightGBM) для прогнозирования содержания фенантрена (Phe) и флуорена (Flt) в маслянистом шламе. Сначала оптимизировали параметры модели, затем провели предварительную обработку данных ближнего инфракрасного спектра образцов и отобрали спектральные переменные признаков с помощью конкурентного адаптивного повторного взвешивания (CARS), взаимной информации (MI) и алгоритма оптимизации китов (WOA). На основе оптимальных входных переменных построили модель, в конце сравнили LightGBM с моделями частичных наименьших квадратов (PLS), случайного леса (RF) и машины опорных векторов (SVM). Результаты показали, что для фенантрена модель на основе Nor-SG-WOA-LightGBM была лучшей, коэффициенты детерминации предсказания (R²_p) и корня из средней квадратичной ошибки предсказания (RMSE_p) составили 0,9952 и 0,2426 мг/г соответственно; для флуорена лучшей была модель на основе SNV-SG-CARS-LightGBM, где R²_p и RMSE_p составляли 0,9951 и 0,2452 мг/г соответственно. Этот метод обеспечивает определенную техническую основу для анализа полициклических ароматических углеводородов (PAHs) в маслянистом шламе.

ближняя инфракрасная спектроскопия;легковесный градиентный бустинг;маслянистый шлам;полициклические ароматические углеводороды