کاربرد رایانش نرم در پیش بینی جذب فلزات سنگین توسط نانو جاذب های معدنی در داده های آزمایشگاهی

آلودگی آب توسط فلزات سنگین یک مسأله جهانی است. امروزه بر ما روشن است فلزات سنگین شامل آهن، سرب، منگنز، کادمیوم، روی و نیکل به عنوان آلودگی های متداول در پساب های معدنی شناخته شده اند که منجر به مشکلات بسیاری برای سلامتی انسان، آب و محیط زیست می شوند. در این مطالعه از ترکیب شبکه عصبی مصنوعی چند لایه پرسپترون با الگوریتم تکاملی رقابت استعماری برای پیش بینی فرایند حذف فلزات سنگین (کادمیوم و نیکل) مورد استفاده قرار گرفته است. الگوریتم رقابت استعماری برای بهنیه سازی وزن و آموزش شبکه عصبی مصنوعی مورد استفاده قرارگرفته است. غلظت اولیه فلزات، نانو جاذب، زمان تماس به عنوان ورودی و درصد جذب به عنوان خروجی در نظر گرفته شده است. عملکرد مدل (شبکه عصبی مصنوعی - رقابت استعماری) با روش آماری رگرسیون خطی چند متغیره مقایسه شده است. مقادیرr2 و mse بدست آمده از مدل شبکه عصبی مصنوعی - الگوریتم رقابت استعماری برای فلز نیکل به ترتیب برابر است با 9297/0 و 0141/0 و مقادیر بدست آمده از شبکه برای فلز سنگین کادمیوم به ترتیب برابر است با 9539/0 و 0120/0 که این مقادیر بدست آمده در مقایسه با نتایج مدل رگرسیون خطی چند متغیره (فلز کادمیوم r2 و mse به ترتیب برابر است با 8202/0 و 0252/0 و فلز نیکل 6294/0 و 0336/0 ) بدست آمده چنین استنباط می شود که روش ترکیبی شبکه عصبی مصنوعی - رقابت استعماری نسبت به روش آماری رگرسیون خطی چند متغیره دارای کارآیی بالاتری در پیش بینی جذب فلزات سنگین توسط نانو جاذب های معدنی در داده های آزمایشگاهی است.