کاربرد مدل های یادگیری ماشین برای پیش بینی قابلیت جذب فیلتر تراشه های لاستیکی

در دهه های اخیر خطر بالقوه فلزات سنگین در پساب ها و ورود آب به منابع آب سطحی و زیرزمینی به طور فزاینده ای مورد توجه جامعه جهانی قرار گرفته است. هدف از این مطالعه ارایه یک روش غیرمستقیم به منظور برآورد بازده جذب فیلتر تراشه های لاستیکی برای فلزات سنگین سرب، روی و منگنز از پساب صنعتی است. آزمایش های جذب ستونی در شرایط مزرعه، بصورت فاکتوریل با سه فاکتور در قالب طرح کاملا تصادفی با سه تکرار انجام شد. فاکتورهای مورد مطالعه شامل سه فاکتور اندازه ذرات (دو سطح 5/0 و 5 سانتی متر)، ضخامت فیلتر (سه سطح 10، 30 و 50 سانتی متر) و زمان تماس جاذب با محلول بود. جذب عناصر با استفاده از 6 مدل رگرسیون خطی، درخت رگرسیونی، شبکه عصبی مصنوعی، جنگل تصادفی، کیوبیست و ماشین بردار پشتیبان بر اساس مجموعه دیتای آزمایشات جذب میدانی مدل سازی شد. نتایج نشان داد مدل های جنگل تصادفی، شبکه عصبی مصنوعی، درخت رگرسیونی و کیوبیست برای پیش بینی راندمان جذب در هر سه عنصر عملکرد قابل قبولی داشتند. با این حال، با توجه به ضریب R2 و خطای میانگین مربعات ریشه، جنگل تصادفی و شبکه عصبی مصنوعی عملکردرضایت بخش تری نسبت به درخت رگرسیونی و کیوبیست مدل نشان دادند. بررسی اهمیت متغیرهای ورودی در دقت پیش بینی نیز نشاندهنده اهمیت بالای پارامتر زمان تماس جاذب با محلول فلزی در تمامی مدل های یادگیری ماشین بود. قابلیت پیش بینی دقیق مدل های توسعه داده شده می تواند به طور معنی داری بار کاری آزمایش های میدانی مانند راندمان جذب تراشه های لاستیکی را کاهش دهد. اهمیت نسبی متغیرها نیز می تواند مسیر صحیحی را برای تصفیه بهتر فلزات سنگین ایجاد کند.