|
Title
|
پيش بيني رفتار ديناميك حذف فنول از آب هاي توليدي با استفاده از مدل هاي مبتني بر هوش مصنوعي
|
|
Type
|
Article
|
|
Keywords
|
صنعت نفت و گاز, جذب فنول, كربن فعال مغناطيسي, مدل هاي يادگيري ماشين, بهينه سازي فرآيندهاي صنعتي
|
|
Abstract
|
صنعت نفت و گاز با توليد پساب هاي آلوده به تركيبات سمي مانند فنول، چالش هاي زيست محيطي ايجاد مي كند. اين تركيبات به دليل خطرات براي اكوسيستم ها نياز به تصفيه مؤثر دارند. جذب، به ويژه با استفاده از كربن فعال مغناطيسي، به عنوان روشي كارآمد و اقتصادي براي حذف اين آلاينده ها شناخته مي شود. در اين مطالعه، رفتار جذب فنول در يك ستون ثابت بر روي جاذب كربن فعال مغناطيسي تحت شرايط مختلف آزمايشي شبيه سازي شد. براي پيش بيني دقيق روند جذب فنول، از مدل هاي نوين يادگيري ماشين شامل درخت تصميم، رگرسيون بردار پشتيباني، مدل تقويت ادابوست و رگرسيون خطي استفاده شد. اين مدل ها با تحليل داده هاي تجربي و شبيه سازي فرآيندهاي جذب غيرخطي، توانستند پيش بيني هاي دقيقي از غلظت باقيمانده فنول در خروجي فرآيند جذب تحت شرايط مختلف ارائه دهند. نتايج عددي نشان داد كه مدل ادابوست با مقادير R² برابر با 9943/0 در داده هاي آموزشي و 9658/0 در داده هاي آزمون، كمترين خطاي مطلق برابر با 0225/0 در داده هاي آموزشي و 0535/0 در داده هاي آزمون را به دست آورد كه نشان دهنده توانمندي بالاي اين مدل در شبيه سازي فرآيندهاي جذب پيچيده و غيرخطي است. علاوه بر اين، تحليل حساسيت نشان داد كه زمان با ميزان 57/0 تأثير عمده اي بر فرآيند جذب فنول دارد. غلظت اوليه با 139/0 و نرخ جريان با 12/0 نيز از ديگر عوامل مؤثر در پيش بيني جذب فنول هستند. اين نتايج نشان مي دهند كه زمان و غلظت اوليه بيشترين تأثير را بر كاهش غلظت باقيمانده فنول دارند. به طور كلي، پيش بيني روند غلظت باقيمانده توسط مدل هاي مختلف هوش مصنوعي، تطابق بالايي با داده هاي واقعي دارد و اين مدل ها را به ابزاري كارآمد براي بهينه سازي فرآيندهاي جذب در صنايع مختلف تبديل مي كند. درنتيجه، مدل هاي هوش مصنوعي به عنوان ابزارهايي قدرتمند براي تحليل و پيش بيني رفتار جذب فنول، و بهبود فرآيندهاي صنعتي و محيط زيستي، قابل استفاده هستند.
|
|
Researchers
|
Abolfazl Dehghan Monfarad (First researcher) , Mohammad Behnam nia (Second researcher) , esmaeil allahkarami (Third researcher)
|