فهرست نشریات علمی دسترسی آزاد ایران

در پژوهش حاضر، توانایی بالقوه روش‌های یادگیری ماشین هوشمند از قبیل LS-SVM، RBFNN، MLPNN و ANFIS برای پیش‌بینی بازده حذف رنگزاهای آزو از پساب مورد بررسی قرار گرفت. به این منظور، بانک بزرگی از داده‌های مربوط به جذب سطحی رنگزاهای آزو بوسیله چارچوب­های فلز-آلی گوناگون به عنوان جاذب­های متخلخل تحت شرایط مختلف از قبیل مقدار جاذب، غلظت اولیه رنگزاها، pH محلول، مساحت سطح ویژه جاذب، دما و زمان تماس جمع‌آوری شدند. بررسی متغیرهای مختلف آماری و مقایسه مدل‌های مختلف نشان داد که مدل LS-SVM کمترین خطا و در نتیجه دقیق‌ترین پیش‌بینی را برای میزان جذب آلاینده‌های رنگی در بین سایر مدل‌ها ارائه می‌دهد که در آن مقادیر AARE (%)، R2، STD، و RMSE به ترتیب برابر با 1.844، 0.9899، 0.0213 و 18.511 درصد به دست آمدند. همچنین، این الگوریتم سازگاری دقیق­تری با روند فرآیند جذب سطحی رنگزاهای آزو با تغییرات غلظت اولیه رنگزا، pH محلول و دما نشان داد. آنالیز حساسیت نشان داد که سطح ویژه و مقدار جاذب متخلخل تاثیر مثبت و عواملی مانند غلظت اولیه و pH اثر منفی بر روی بازده جذب دارند.