فهرست نشریات علمی دسترسی آزاد ایران

 هدف:  ریزجلبک‌ها به عنوان منابع زیستی فوتوسنتزکننده، پتانسیل بالایی برای تولید سوخت‌های زیستی از جمله بیودیزل دارند. با این حال، جداسازی زیست‌توده از محیط کشت، یکی از مراحل پرهزینه و چالش‌برانگیز در فرآیند بهره‌برداری صنعتی محسوب می‌شود. در میان روش‌های موجود، لخته‌سازی به عنوان یک روش کارآمد، سریع و مقرون به صرفه برای برداشت زیست‌توده مطرح است. هدف این پژوهش، بررسی فرآیند لخته‌سازی گونه‌ی Chlorella sp. با استفاده از کلرید آهن (III) و مدلسازی آن با بهره‌گیری از شبکه‌های عصبی مصنوعی برای پیش‌بینی دقیق بازده فرآیند است.مواد و روش ها:   در این مطالعه، لخته‌سازی گونه‌ی Chlorella sp. در شرایط مختلف شامل تغییرات pH، غلظت سلولی (OD) و میزان ماده‌ی لخته‌کننده (FeCl₃) انجام شد. داده‌های تجربی حاصل با سه معماری متفاوت شبکه‌ی عصبی شامل پرسپترون چندلایه (MLP)، تابع پایه‌ی شعاعی (RBF) و مدل ترکیبی (Ensemble MLP) مدل‌سازی گردید. داده‌ها به دو بخش آموزش (۷۰٪) و آزمون (۳۰٪) تقسیم شده و عملکرد مدل‌ها بر اساس شاخص‌های آماری ضریب تعیین (R²) و میانگین مربعات خطا (MSE) مورد ارزیابی قرار گرفت.نتایج: مدل‌های MLP و RBF به‌صورت مستقل قادر به پیش‌بینی دقیق رفتار فرآیــند نبودند، در حالی که مدل ترکیبی (Ensemble MLP) بالاتــرین دقت پیـش‌بینی را با R² = ‎96.37%‎ و MSE = ‎0.0035‎ به دست آورد. مقادیر R² برای مدل‌های MLP در بازه‌ی 92.5 تا 94.5 درصد و برای مدل RBF برابر 79.8 درصد بود. مدل ترکیبی با کاهش قابل توجه خطا و افزایش قابلیت تعمیم، توانست تغییرات غیرخطی و پیچیده‌ی فرآیند لخته‌سازی را با دقت بالا بازتولید کند.نتیجه‌گیری:  استفاده از شبکه‌های عصبی ترکیبی، دقت و قابلیت تعمیم بالاتری نسبت به مدل‌های منفرد در پیش‌بینی فرآیندهای زیستی پیچیده نظیر لخته‌سازی میکروجلبک‌ها دارد. نتایج این مطالعه نشان می‌دهد که معماری Ensemble MLP می‌تواند به عنوان یک ابزار هوشمند در طراحی، کنترل و بهینه‌سازی فرآیندهای جداسازی زیست‌توده و تولید سوخت‌های زیستی مورد استفاده قرار گیرد.