پيش‌بيني ميزان جذب آلاينده‌هاي رنگي آزو از پساب با استفاده از جاذب‌هاي متخلخل چارچوب‌هاي فلز-آلي

در پژوهش حاضر، توانايي بالقوه روش‌هاي يادگيري ماشين هوشمند از قبيل LS-SVM، RBFNN، MLPNN و ANFIS براي پيش‌بيني بازده حذف رنگزاهاي آزو از پساب مورد بررسي قرار گرفت. به اين منظور، بانك بزرگي از داده‌هاي مربوط به جذب سطحي رنگزاهاي آزو بوسيله چارچوب هاي فلز-آلي گوناگون به عنوان جاذب هاي متخلخل تحت شرايط مختلف از قبيل مقدار جاذب، غلظت اوليه رنگزاها، pH محلول، مساحت سطح ويژه جاذب، دما و زمان تماس جمع‌آوري شدند. بررسي متغيرهاي مختلف آماري و مقايسه مدل‌هاي مختلف نشان داد كه مدل LS-SVM كمترين خطا و در نتيجه دقيق‌ترين پيش‌بيني را براي ميزان جذب آلاينده‌هاي رنگي در بين ساير مدل‌ها ارائه مي‌دهد كه در آن مقادير(%) AARE ، R2، STD، و RMSE به ترتيب برابر با 1.844، 0.9899، 0.0213 و 18.511 درصد به دست آمدند. همچنين، اين الگوريتم سازگاري دقيق تري با روند فرآيند جذب سطحي رنگزاهاي آزو با تغييرات غلظت اوليه رنگزا، pH محلول و دما نشان داد. آناليز حساسيت نشان داد كه سطح ويژه و مقدار جاذب متخلخل تاثير مثبت و عواملي مانند غلظت اوليه و pH اثر منفي بر روي بازده جذب دارند.