پیش بینی میزان جذب آلاینده های رنگی آزو از پساب با استفاده از جاذب های متخلخل چارچوب های فلز-آلی

در پژوهش حاضر، توانایی بالقوه روش های یادگیری ماشین هوشمند از قبیل LS-SVM، RBFNN، MLPNN و ANFIS برای پیش بینی بازده حذف رنگزاهای آزو از پساب مورد بررسی قرار گرفت. به این منظور، بانک بزرگی از داده های مربوط به جذب سطحی رنگزاهای آزو بوسیله چارچوب های فلز-آلی گوناگون به عنوان جاذب های متخلخل تحت شرایط مختلف از قبیل مقدار جاذب، غلظت اولیه رنگزاها، pH محلول، مساحت سطح ویژه جاذب، دما و زمان تماس جمع آوری شدند. بررسی متغیرهای مختلف آماری و مقایسه مدل های مختلف نشان داد که مدل LS-SVM کمترین خطا و در نتیجه دقیق ترین پیش بینی را برای میزان جذب آلاینده های رنگی در بین سایر مدل ها ارایه می دهد 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 دقیق تری 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.