| ارزیابی دقت عملکرد مدل‌های یادگیری ماشین در پیش‌بینی حذف اکسیژن‌خواهی شیمیایی (COD) از فاضلاب با استفاده از ریزجلبک |
| کد مقاله : 1149-IWWA |
| نویسندگان |
|
ساسان کبیریان، زهرا مایلی، امید توکلی *، محمدحسین صراف‌زاده دانشکدگان فنی دانشگاه تهران |
| چکیده مقاله |
| انتشار پساب‌های صنعتی حاوی مقادیر بالای اکسیژن‌خواهی شیمیایی یکی از اصلی‌ترین تهدیدهای زیست‌محیطی برای اکوسیستم‌های آبی محسوب می‌شود. در این پژوهش، یک چارچوب هوش مصنوعی فیزیک آگاه جهت پیش‌بینی راندمان حذف اکسیژن‌خواهی شیمیایی از فاضلاب با استفاده از ریزجلبک کلرلا ولگاریس توسعه یافت. پایگاه‌داده اختصاصی پژوهش بر اساس 220 داده آزمایشگاهی فتوبیوراکتور کلرلا ولگاریس در دامنه‌ای از رژیم‌های تابشی و هیدرودینامیکی در دماهای عملیاتی گوناگون تدوین گردید. پس از پالایش فیزیکی و بازسازی داده‌های مفقود با نزدیک‌ترین K- همسایه ، متغیرهای خام به شاخص‌های مهندسی بارگذاری آلی و انتگرال نوری تبدیل شدند و غلظت خروجی جهت ممانعت از نشت داده کنار گذاشته شد. چهار الگوریتم یادگیری ماشین شامل درختان فوق تصادفی، جنگل تصادفی، تقویت گرادیان شدید و رگرسیون فرایند گوسی مورد ارزیابی و مقایسه قرار گرفتند. نتایج ارزیابی بر روی مجموعه‌آزمون مستقل نشان داد که مدل درختان فوق تصادفی با ضریب تبیین 0/89 و خطای 8/53 درصد، برترین دقت پیش‌بینی را ثبت کرد. همچنین در پیش‌بینی غلظت خروجی بدون نشت داده، ضریب تبیین 0/84 و خطای 90/60 میلی‌گرم در لیتر را محقق ساخت. تحلیل تفسیری TreeSHAP تابش فوتونی را قوی‌ترین متغیر محرک در بهبود راندمان فتوسنتزی و طیف نوری سبز را عامل بازدارنده اصلی فرایند شناسایی کرد. هم‌زمان مدل فرایند گوسی با تولید بازه اطمینان 95 درصدی، بستری آماری برای ارزیابی ریسک‌های عملیاتی ارائه داد. تلفیق این پیش‌بینی‌های نقطه‌ای با تخمین عدم قطعیت، امکان بهینه‌سازی راهبری و پیاده‌سازی کنترل پیش‌بین در فتوبیوراکتورهای صنعتی را میسر می‌سازد. |
| کلیدواژه ها |
| اکسیژن‌خواهی شیمیایی، تصفیه فاضلاب، ریزجلبک، کلرلا ولگاریس، یادگیری ماشین |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
