کاربرد مدل‌های یادگیری ماشین جهت بررسی و امکان سنجی یا بهینه سازی حذف آلاینده های زیست محیطی با استفاده از جاذب ها

•   آرشیو : نسخه پاییز و زمستان 1403
•   کد پذیرش : 1256
•   موضوع : مهندسی شیمی
• نویسنده/گان : | مجتبی عزیزی، امید عابدی، سعید علیخانی
•   زبان : فارسی
•   نوع مقاله : پژوهشی
•   چکیده مقاله به فارسی : امروزه با توجه به افزایش انواع آلاینده‌های صنعتی، یکی از اصلی‌ترین چالش‌های پیش رو علوم زیست محیطی، مدیریت پساب‌های صنعتی است. در این پژوهش ما تکنیک جذب به عنوان یک روش موثر برای تصفیه فاضلاب و کاهش فلزات سنگین، را مورد مطالعه قرار داده‌ایم. مدل‌های هوش مصنوعی و الگوریتم‌های یادگیری ماشین در جهت بهبود فرآیند حذف آلاینده‌ها، به کار رفته‌اند. در این مدل‌ها امکان پیش‌بینی توانایی حذف فلزات سنگینی نظیر آهن، سرب، کادمیوم، مس، نیکل و کروم از طریق آنالیز پارامترهای کلیدی مانند نوع آلاینده، نوع جاذب، دما، غلظت اولیه، میزان جاذب، زمان و pH، فراهم شده است. الگوریتم‌های مختلف یادگیری ماشین از جمله رگرسور تقویت کننده گرادیان ، رگرسور تقویت کننده طبقه ای ، رگرسور تقویت کننده شدید ، رگرسور جنگل تصادفی و شبکه عصبی، در این مطالعه مورد استفاده قرار گرفته‌اند. بر طبق داده‌های حاصل از این پژوهش، مدل رگرسیون تقویت‌کننده شدید با ضریب همبستگی (R2) برابر با ۰.۹3، به عنوان مدل بهینه پیش‌بینی بازده حذف در نظر گرفته شد. در این مطالعه به اهمیت استفاده از تکنیک‌های نوین یادگیری ماشین در مدیریت پساب‌های صنعتی در جهت کمک به توسعه روش‌های کارآمدتر، بسیار پرداخته شده است.
•   لیست منابع : [1] Maleki, A., Mohammad, M., Emdadi, Z., Asim, N., Azizi, M., & Safaei, J. (2020). Adsorbent materials based on a geopolymer paste for dye removal from aqueous solutions. Arabian Journal of Chemistry, 13(1), 3017-3025.
  [2] Emdadi, Z., Asim, N., Amin, M. H., Ambar Yarmo, M., Maleki, A., Azizi, M., & Sopian, K. (2017). Development of green geopolymer using agricultural and industrial waste materials with high water absorbency. Applied Sciences, 7(5), 514.
  [3] Salehi, M. M., Hassanzadeh-Afruzi, F., Esmailzadeh, F., Choopani, L., Rajabi, K., Kuzekanan, H. N., ... & Maleki, A. (2024). Chlorpyrifos and diazinon elimination through pAAm-g-XG/HKUST-1@ Fe3O4 biopolymer nanoadsorbent hydrogel from wastewater: Preparation, characterization, kinetics and isotherm. Separation and Purification Technology, 334, 126097.
  [4] Hegazi, H. A. (2013). Removal of heavy metals from wastewater using agricultural and industrial wastes as adsorbents. HBRC journal, 9(3), 276-282.
  [5] Sharma, Y. C., Srivastava, V., Weng, C. H., & Upadhyay, S. N. (2009). Removal of Cr (VI) from wastewater by adsorption on iron nanoparticles. The Canadian Journal of Chemical Engineering, 87(6), 921-929.
  [6] Zanin, E., Scapinello, J., de Oliveira, M., Rambo, C. L., Franscescon, F., Freitas, L., ... & Dal Magro, J. (2017). Adsorption of heavy metals from wastewater graphic industry using clinoptilolite zeolite as adsorbent. Process Safety and Environmental Protection, 105, 194-200.
  [7] dos Santos, A. C. V., & Masini, J. C. (2007). Evaluating the removal of Cd (II), Pb (II) and Cu (II) from a wastewater sample of a coating industry by adsorption onto vermiculite. Applied Clay Science, 37(1-2), 167-174.
  [8] Noh, W., Park, S., Kim, S., & Lee, I. A Hybrid Framework of Knowledge-Based Digital Twin and Data-Driven Machine Learning Models for Optimizing Control Parameters of Chemical Processes. Available at SSRN 4220989.
  [9] Chakraborty, A., Serneels, S., Claussen, H., & Venkatasubramanian, V. (2022). Hybrid ai models in chemical engineering–a purpose-driven perspective. Computer Aided Chemical Engineering, 51, 1507-1512.
  [10] Nentwich, C., Gebus, P., Brächer, A., & Markovic, A. (2021). Hybrid Process Modeling of an Industrial Process. Chemie Ingenieur Technik, 93(12), 2092-2096.
  [11] Kiiza, C., Pan, S. Q., Bockelmann-Evans, B., & Babatunde, A. (2020). Predicting pollutant removal in constructed wetlands using artificial neural networks (ANNs). Water Science and Engineering, 13(1), 14-23.
  [12] Li, F., Yuasa, A., Ebie, K., Azuma, Y., Hagishita, T., & Matsui, Y. (2002). Factors affecting the adsorption capacity of dissolved organic matter onto activated carbon: modified isotherm analysis. Water Research, 36(18), 4592-4604.
  [13] Onwordi, C. T., Uche, C. C., Ameh, A. E., & Petrik, L. F. (2019). Comparative study of the adsorption capacity of lead (II) ions onto bean husk and fish scale from aqueous solution. Journal of water reuse and desalination, 9(3), 249-262.
  [14] Iftekhar, S., Ramasamy, D. L., Srivastava, V., Asif, M. B., & Sillanpää, M. (2018). Understanding the factors affecting the adsorption of Lanthanum using different adsorbents: a critical review. Chemosphere, 204, 413-430.
  [15] Zhang, W., Huang, W., Tan, J., Huang, D., Ma, J., & Wu, B. (2023). Modeling, optimization and understanding of adsorption process for pollutant removal via machine learning: Recent progress and future perspectives. Chemosphere, 311, 137044.
  [16] Ullah, H., Khan, S., Chen, B., Shahab, A., Riaz, L., Lun, L., & Wu, N. (2023). Machine learning approach to predict adsorption capacity of Fe-modified biochar for selenium. Carbon Research, 2(1), 29.
  [17] Matheri, A. N., Ntuli, F., Ngila, J. C., Seodigeng, T., & Zvinowanda, C. (2021). Performance prediction of trace metals and cod in wastewater treatment using artificial neural network. Computers & Chemical Engineering, 149, 107308.
  [18] Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
  [19] Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems, 31.
  [20] Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
  [21] Forests, R., & Breiman, L. (1999). Statistics department university of california berkeley.
•   کلمات کلیدی به فارسی : تصفیه فاضلاب، فلزات سنگین، رویکردهای داده محور، مدل‌های یادگیری ماشین.
•   چکیده مقاله به انگلیسی : Nowadays, due to the increase in the types of industrial pollutants, one of the main challenges facing environmental science is the management of industrial wastewater. In this study, we have studied the adsorption technique as an effective method for wastewater treatment and heavy metal reduction. Artificial intelligence models and machine learning algorithms have been used to improve the process of pollutant removal. In these models, it is possible to predict the ability to remove heavy metals such as iron, lead, cadmium, copper, nickel and chromium by analyzing key parameters such as pollutant type, adsorbent type, temperature, initial concentration, adsorbent amount, time and pH. Various machine learning algorithms including gradient boosting regressor, hierarchical boosting regressor, extreme boosting regressor, random forest regressor and neural network have been used in this study. According to the data obtained from this study, the strong boosting regression model with a correlation coefficient (R2) of 0.93 was considered as the optimal model for predicting removal efficiency. In this study, the importance of using modern machine learning techniques in industrial wastewater management has been greatly emphasized in order to help develop more efficient methods.
•   کلمات کلیدی به انگلیسی : Wastewater treatment, heavy metals, data-driven approaches, machine learning models
•  صفحات : 32-43
•   دانلود فایل ( 641.92 KB )