%0 Journal Article %T کاربرد مدل‌‌های یادگیری ماشین برای پیش‌‌بینی قابلیت جذب فیلتر تراشه‌‌های لاستیکی %J پژوهش های محیط زیست %I انجمن ارزیابی محیط زیست ایران %Z 2008-9597 %A بامری, ابوالفضل %A خالقی, مهسا %D 2022 %\ 02/20/2022 %V 12 %N 24 %P 197-208 %! کاربرد مدل‌‌های یادگیری ماشین برای پیش‌‌بینی قابلیت جذب فیلتر تراشه‌‌های لاستیکی %K پساب صنعتی %K جنگل تصادفی %K شبکه عصبی مصنوعی %K فلزات سنگین %K مدل‌‌سازی %R %X در دهه‌‌های اخیر خطر بالقوه فلزات سنگین در پساب‌‌ها و ورود آب به منابع آب سطحی و زیرزمینی به طور فزاینده‌‌ای مورد توجه جامعه جهانی قرار گرفته است. هدف از این مطالعه ارایه یک روش غیرمستقیم به منظور برآورد بازده جذب فیلتر تراشه‌‌های لاستیکی برای فلزات سنگین سرب، روی و منگنز از پساب صنعتی است. آزمایش‌‌های جذب ستونی در شرایط مزرعه، بصورت فاکتوریل با سه فاکتور در قالب طرح کاملاً تصادفی با سه تکرار انجام شد. فاکتورهای مورد مطالعه شامل سه فاکتور اندازة ذرات (دو سطح 5/0 و 5 سانتی‌‌متر)، ضخامت فیلتر (سه سطح 10، 30 و 50 سانتی‌‌متر) و زمان تماس جاذب با محلول بود. جذب عناصر با استفاده از 6 مدل رگرسیون خطی، درخت رگرسیونی، شبکه عصبی مصنوعی، جنگل تصادفی، کیوبیست و ماشین بردار پشتیبان بر اساس مجموعه دیتای آزمایشات جذب میدانی مدل‌‌سازی شد. نتایج نشان داد مدل‌‌های جنگل تصادفی، شبکه عصبی مصنوعی، درخت رگرسیونی و کیوبیست برای پیش‌‌بینی راندمان جذب در هر سه عنصر عملکرد قابل قبولی داشتند. با این حال، با توجه به ضریب R2 و خطای میانگین مربعات ریشه، جنگل تصادفی و شبکه عصبی مصنوعی عملکردرضایت‌‌بخش‌‌تری نسبت به درخت رگرسیونی و کیوبیست مدل نشان دادند. بررسی اهمیت متغیرهای ورودی در دقت پیش‌‌بینی نیز نشاندهنده اهمیت بالای پارامتر زمان تماس جاذب با محلول فلزی در تمامی مدل‌‌های یادگیری ماشین بود. قابلیت پیش‌‌بینی دقیق مدل‌‌های توسعه داده شده می‌‌تواند به طور معنی‌‌داری بار کاری آزمایش‌‌های میدانی مانند راندمان جذب تراشه‌‌های لاستیکی را کاهش دهد. اهمیت نسبی متغیرها نیز می‌‌تواند مسیر صحیحی را برای تصفیه بهتر فلزات سنگین ایجاد کند. %U https://www.iraneiap.ir/article_146289_3ce5a3708f26156bdb0abf73ac74077d.pdf