فهرست نشریات علمی دسترسی آزاد ایران

بهینه‌سازی با استفاده از روش‌‌های هوش مصنوعی، یک رویکرد موثر برای بهبود عملکرد سامانه‌ها و فرایند‌ها است. این روش‌ها امکان یافتن پارامترهای مؤثرتر و برنامه‌ریزی بر روی آن‌ها جهت ارتقای راندمان جذب فسفات را فراهم می‌آورند.پژوهش حاضر بر توسعه الگوریتم‌های یادگیری ماشین پیش‌بینی‌کننده با رویکرد کاهش ابعاد متمرکز بود. به‌منظور توسعه مدل پیش‌بینی، داده‌های تجربی جذب فسفات به‌وسیله هیدروچار باگاس نیشکر از طریق تنظیم جذب در مقیاس آزمایشگاهی به‌دست آمد. پنج متغیر ورودی مستقل، شامل غلظت اولیه آلاینده، زمان تماس، جرم جاذب، دمای محلول و pH، در فرآیند آموزش در نظر گرفته شدند. علاوه بر این، راندمان جذب فسفات به عنوان خروجی در نظر گرفته شد. از میان الگوریتم‌های به کار گرفته شده، رگرسیور درختان اضافی (ET) با R2 برابر با 922/0 و همچنین با مقادیر پایین‌تر RMSE (074/0) و MAE (048/0) عملکرد نسبتاً بهتری در پیش‌بینی راندمان جذب فسفات ارائه کرد. بر اساس نتایج، دو عامل ورودی که بیشترین تأثیر را بر اثربخشی جذب فسفات دارند زمان تماس و غلظت اولیه فسفات هستند. علاوه بر این، مشخص شد که مقدار جاذب به عنوان پارامتر‌هایی با کمترین تاثیر شناخته شدند.