پیشبینی تخریب پارا-نیتروفنول در پیلهای سوختی میکروبی با استفاده از الگوریتمهای RF و GBRT
پیشبینی تخریب پارا-نیتروفنول در پیلهای سوختی میکروبی با استفاده از الگوریتمهای RF و GBRT
آرزو چاجایی1 فرزانه وهاب زاده2
1) دانشجوی کارشناسی ارشد، گروه مهندسی شیمی، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران،
2) استاد، گروه مهندسی شیمی، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران،
کد IOI مقاله
:
ABEB-ABHKHG
محل انتشار :
چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
پیلهای سوختی میکروبی (MFCs) بهعنوان یک فناوری زیستالکتروشیمیایی پایدار برای تخریب آلایندههای آلی، توجه قابلتوجهی را به خود جلب کردهاند. با این حال، برهمکنشهای غیرخطی پیچیده بین شرایط عملیاتی و عملکرد تخریب، پیشبینی دقیق راندمان حذف آلایندهها را با چالش مواجه میکند. در این مطالعه، یک رویکرد مبتنی بر یادگیری ماشین برای پیشبینی راندمان تخریب پارانیترفنول (PNP) در یک سیستم پیل سوختی میکروبی ارائه شده است. یک مجموعه داده استخراجشده از یک مطالعه تجربی منتشرشده پیشین، شامل اثرات غلظت اولیه PNP، دما و pH، برای توسعه مدلها مورد استفاده قرار گرفت. به دلیل محدود بودن حجم دادههای اولیه، یک راهبرد افزایش داده کنترلشده مبتنی بر اغتشاش گاوسی بهمنظور افزایش پایداری مدل و حفظ ویژگیهای اصلی دادهها به کار گرفته شد که در نهایت منجر به ایجاد مجموعه دادهای شامل 68 نمونه شد. الگوریتمهای رگرسیون جنگل تصادفی (RFR) و درخت رگرسیون تقویت گرادیانی (GBRT) با استفاده از نرمافزار MATLAB R2025b توسعه داده شدند. پیش از آموزش مدلها، متغیرهای ورودی نرمالسازی شدند و عملکرد پیشبینی مدلها با استفاده از ضریب تعیین (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) ارزیابی شد. هر دو مدل دقت پیشبینی بالایی نشان دادند؛ با این حال، مدل GBRT عملکرد بهتری نسبت به RFR ارائه کرد. مدل GBRT به مقادیر R² برابر با 0.9997 و 0.9897 بهترتیب برای دادههای آموزش و آزمون دست یافت و مقادیر RMSE و MAE آن در مرحله آزمون بهترتیب 1.5829 و 1.2096 بود. در مقایسه، مدل RFR در مرحله آزمون مقدار R² برابر با 0.9383 و مقادیر RMSE و MAE برابر با 3.8792 و 3.4181 را به دست آورد. نتایج نشان داد که مدلهای یادگیری ماشین تجمعی، بهویژه GBRT، میتوانند بهطور مؤثر برای پیشبینی دقیق راندمان تخریب پارانیترفنول در سیستمهای پیل سوختی میکروبی مورد استفاده قرار گیرند.
کلمات کلیدی : پیل سوختی میکروبی تخریب پارا نیتروفنول یادگیری ماشین رگرسیون جنگل تصادفی رگرسیون درخت تقویت گرادیانی