ابوالفضل دهقان منفرد

صنعت نفت و گاز با تولید پساب های آلوده به ترکیبات سمی مانند فنول، چالش های زیست محیطی ایجاد می کند. این ترکیبات به دلیل خطرات برای اکوسیستم ها نیاز به تصفیه مؤثر دارند. جذب، به ویژه با استفاده از کربن فعال مغناطیسی، به عنوان روشی کارآمد و اقتصادی برای حذف این آلاینده ها شناخته می شود. در این مطالعه، رفتار جذب فنول در یک ستون ثابت بر روی جاذب کربن فعال مغناطیسی تحت شرایط مختلف آزمایشی شبیه سازی شد. برای پیش بینی دقیق روند جذب فنول، از مدل های نوین یادگیری ماشین شامل درخت تصمیم، رگرسیون بردار پشتیبانی، مدل تقویت ادابوست و رگرسیون خطی استفاده شد. این مدل ها با تحلیل داده های تجربی و شبیه سازی فرآیندهای جذب غیرخطی، توانستند پیش بینی های دقیقی از غلظت باقیمانده فنول در خروجی فرآیند جذب تحت شرایط مختلف ارائه دهند. نتایج عددی نشان داد که مدل ادابوست با مقادیر R² برابر با 9943/0 در داده های آموزشی و 9658/0 در داده های آزمون، کمترین خطای مطلق برابر با 0225/0 در داده های آموزشی و 0535/0 در داده های آزمون را به دست آورد که نشان دهنده توانمندی بالای این مدل در شبیه سازی فرآیندهای جذب پیچیده و غیرخطی است. علاوه بر این، تحلیل حساسیت نشان داد که زمان با میزان 57/0 تأثیر عمده ای بر فرآیند جذب فنول دارد. غلظت اولیه با 139/0 و نرخ جریان با 12/0 نیز از دیگر عوامل مؤثر در پیش بینی جذب فنول هستند. این نتایج نشان می دهند که زمان و غلظت اولیه بیشترین تأثیر را بر کاهش غلظت باقیمانده فنول دارند. به طور کلی، پیش بینی روند غلظت باقیمانده توسط مدل های مختلف هوش مصنوعی، تطابق بالایی با داده های واقعی دارد و این مدل ها را به ابزاری کارآمد برای بهینه سازی فرآیندهای جذب در صنایع مختلف تبدیل می کند. درنتیجه، مدل های هوش مصنوعی به عنوان ابزارهایی قدرتمند برای تحلیل و پیش بینی رفتار جذب فنول، و بهبود فرآیندهای صنعتی و محیط زیستی، قابل استفاده هستند.