Abstract
Per- en polyfluoralkylstoffen (PFAS) zijn persistente milieuverontreinigende stoffen met complexe ecosysteemdynamiek, maar de mechanismen die hun verspreiding in het milieu bepalen, zijn nog onvoldoende begrepen. Het beoordelen van de relatieve belangrijkheid van verschillende blootstellingsroutes en de invloed van omgevingsfactoren op de verspreiding van PFAS is cruciaal voor het inschatten van ecologische en gezondheidsrisico's. Traditionele bioaccumulatiemodellen op basis van de binding aan lipiden zijn ongeschikt voor PFAS, en uitgebreide gegevens over de fysisch-chemische eigenschappen van veel PFAS ontbreken nog steeds. Het testen van elke individuele PFAS op alle niveaus binnen een ecosysteem is onmogelijk, en bij gebrek aan essentiële gegevens schieten benaderingen op basis van individuele verbindingen tekort. Conventionele modellering vereist gedetailleerde, stofspecifieke data, terwijl "machine learning" patronen kan herkennen, complexe interacties kan vastleggen en voorspellingen kan doen, zelfs bij incomplete datasets. Dit project heeft als doel een snelle, kosteneffectieve "machine learning-model" te ontwikkelen om het lot en de verspreiding van PFAS in ecosystemen te voorspellen, rekening houdend met belangrijke blootstellingsroutes en omgevingsvariabelen. Het model zal regelgevende instanties en wetenschappelijke werkgroepen ondersteunen door risicobeoordeling te verbeteren en strategieën voor risicobeperking te informeren.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)