ПРОГНОЗИРОВАНИЕ ТЕМПЕРАТУРНЫХ ИЗМЕНЕНИЙ РАСТВОРИМОСТИ СОЛЕЙ В ВОДНОЙ СРЕДЕ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Аннотация

В настоящем исследовании рассмотрена возможность прогнозирования растворимости хлоридов калия, бария и никеля в зависимости от температуры с помощью методов машинного обучения — Random Forest и Gradient Boosting. Предсказанные значения сравнивались с экспериментальными, что позволило оценить точность каждого алгоритма. Метод Random Forest показал наилучшую согласованность с экспериментом, особенно для KCl и BaCl₂, благодаря устойчивости к шумам и способности улавливать структуру данных. Gradient Boosting лучше справлялся с нелинейными зависимостями, однако для NiCl₂ и KCl при низких температурах точность снижалась, что, вероятно, связано с ионной силой и комплексообразованием, не учтенными в модели. Работа подтверждает, что машинное обучение — эффективный инструмент в предсказании растворимости хлоридов, а также выявляет NiCl₂ как наиболее чувствительное соединение, растворимость которого определяется совокупностью физико-химических факторов. Для повышения точности моделей в дальнейшем предлагается учитывать такие параметры, как pH раствора, ионная сила и способность к комплексообразованию.