Machine learning modelling of sonochemical systems using physically-derived dimensionless groups
创建于 更新于
摘要
本研究将基于物理导出的七个无量纲Π项与CatBoost回归相结合，用于预测声化学输出（SCL 强度/面积与KI剂量法测得的氧化指标），机器学习模型在保留测试集上达到了R2=0.87–0.95的高精度，并在外部独立数据集上表现出比基于维度输入或线性回归更好的泛化性；SHAP 解释显示与气泡内水蒸气含量（Π2）和单位频率归一化能量输入（Π4）相关的物理机制对模型贡献最大，揭示了热缓冲与能量阈值效应等非线性机制 [page::15][page::14]
