پیش­بینی قابلیت جذب سرب از پساب صنعتی با استفاده از مدل جنگل تصادفی و ماشین بردار پشتیبان

در دهه­های اخیر خطر بالقوه فلزات سنگین در پساب­ها و ورود آب به منابع آب سطحی و زیرزمینی بطور فزاینده­ای مورد توجه جامعه جهانی قرار گرفته است. استفاده از روش­های کارآمد و در عین حال کم­هزینه و آسان نظیر استفاده از ضایعات طبیعی و مصنوعی به عنوان جاذب فلزات سنگین می­تواند راهکاری مناسب برای تصفیه آب­های آلوده باشد. هدف از این مطالعه ارائه یک روش غیرمستقیم به منظور برآورد بازده جذب فیلتر تراشه­های لاستیکی برای فلز سرب از پساب صنعتی، بر اساس برخی متغیرهای آزمایش جذب است. جذب سرب با استفاده از دو مدل جنگل تصادفی و ماشین بردار پشتیبان بر اساس مجموعه دیتای آزمایشات جذب میدانی مدل­سازی شد. نتایج با توجه به ضریب r2 و خطای ریشه میانگین مربعات نشان داد که مدل جنگل تصادفی برای پیش­بینی راندمان جذب عملکرد قابل قبولی داشت. همچنین بر اساس معیارهای ارزیابی آماری، روش ماشین بردار پشتیبان برای پیش­بینی غلظت عنصر خروجی از فیلتر نتایج مطلوب از خود بروز نداد. بررسی تعیین درجه اهمیت متغیرهای ورودی در دقت پیش­بینی نیز نشاندهنده اهمیت بالای پارامتر زمان تماس جاذب با محلول فلزی در هر دو مدل یادگیری ماشین بود. قابلیت پیش­بینی دقیق مدل­های توسعه داده شده می­تواند بطور معنی­داری بار کاری آزمایش­های میدانی نظیر راندمان جذب تراشه­های لاستیکی را کاهش دهد. اهمیت نسبی متغیرها نیز می­تواند مسیر صحیحی را برای تصفیه بهتر فلزات سنگین ایجاد کند.

Prediction of lead absorption capability from industrial effluents using random forest and support vector machine models

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 use of efficient as well as low-cost and easy methods such as the use of natural and artificial wastes as heavy metal adsorbents can be a good solution for treating contaminated water. The aim of this study is to provide an indirect method for estimating the efficiency of absorption of rubber chips filter for lead metal from industrial effluents, based on some absorption test variables. Lead adsorption was modeled using two models of random forest and support vector machine, based on the field absorption experiments data. The results, according to the R2 coefficient and the root mean square error showed that random forest model had acceptable performance for predicting adsorption efficiency. Also, according to the statistical evaluation criteria, the support vector machine model for predicting the concentration of output element did not show acceptable results. Evaluation of the importance degree of input variables in predictive accuracy showed the high importance of the parameter of adsorbent contact time with the metal solution in both 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.