کاربرد مدل‌‌های یادگیری ماشین برای پیش‌‌بینی قابلیت جذب فیلتر تراشه‌‌های لاستیکی

در دهه‌‌های اخیر خطر بالقوه فلزات سنگین در پساب‌‌ها و ورود آب به منابع آب سطحی و زیرزمینی به طور فزاینده‌‌ای مورد توجه جامعه جهانی قرار گرفته است. هدف از این مطالعه ارایه یک روش غیرمستقیم به منظور برآورد بازده جذب فیلتر تراشه‌‌های لاستیکی برای فلزات سنگین سرب، روی و منگنز از پساب صنعتی است. آزمایش‌‌های جذب ستونی در شرایط مزرعه، بصورت فاکتوریل با سه فاکتور در قالب طرح کاملاً تصادفی با سه تکرار انجام شد. فاکتورهای مورد مطالعه شامل سه فاکتور اندازة ذرات (دو سطح 5/0 و 5 سانتی‌‌متر)، ضخامت فیلتر (سه سطح 10، 30 و 50 سانتی‌‌متر) 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 مدل‌‌سازی شد. نتایج نشان داد مدل‌‌های جنگل تصادفی، شبکه عصبی مصنوعی، درخت رگرسیونی و کیوبیست برای پیش‌‌بینی 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 عملکردرضایت‌‌بخش‌‌تری نسبت به درخت رگرسیونی و کیوبیست مدل نشان دادند. بررسی اهمیت متغیرهای ورودی در دقت پیش‌‌بینی نیز نشاندهنده اهمیت بالای پارامتر زمان تماس جاذب با محلول فلزی در تمامی مدل‌‌های یادگیری ماشین بود. قابلیت پیش‌‌بینی دقیق مدل‌‌های توسعه داده شده می‌‌تواند به طور معنی‌‌داری بار کاری آزمایش‌‌های میدانی مانند راندمان جذب تراشه‌‌های لاستیکی را کاهش دهد. اهمیت نسبی متغیرها نیز می‌‌تواند مسیر صحیحی را برای تصفیه بهتر فلزات سنگین ایجاد کند.

Application of Machine Learning Models for Prediction of the Sorption Ability of Rubber Chips Filter

In recent decades, the potential danger of heavy metals in effluents and the entry of water into surface and groundwater resources have been increasingly being considered by the international community. The aim of this study is to provide an indirect method for estimating the efficiency of absorption of rubber chips filter for heavy metals lead, zinc and manganese from industrial effluents. Column adsorption test in a pilot system was conducted as a factorial experiment with three factors based on a completely randomized design with three replications. Three factors were studied including particle size (0.5 and 5 cm), filter thickness (10, 30 and 50 cm) and sorbent contact time with solution. The adsorption of the elements was modeled using 6 models of linear regression, regression tree, artificial neural network, random forest, cubist and support vector machine, based on the Field absorption experiments data. The results showed random forest models, artificial neural network, regression tree and cubist had acceptable performance for predicting adsorption efficiency in all three elements. However, according to the R2 coefficient and RMSE, random forest and artificial neural network showed more satisfactory performance than regression tree and cubist model. Evaluation of the importance showed the high importance of the parameter of adsorbent contact time with the metal solution in all machine learning models. The accurate predicted ability of developed models could significantly reduce field experiment workload such as predicting the removal efficiency of rubber chips. The relative importance of variables could provide a right direction for better treatments of heavy metals.