Моделирование n

May 11, 2023

Том 12 научных докладов, Номер статьи: 19662 (2022) Цитировать эту статью

656 Доступов

Подробности о метриках

Дизельное топливо, как известно, является одним из основных нефтепродуктов, способных загрязнять воду и почву. Загрязнение почвы, вызванное нефтяными углеводородами, существенно повлияло на окружающую среду, особенно на Ближнем Востоке. В этом исследовании моделирование и оптимизация удаления гексадекана из почвы было выполнено с использованием двух чистых культур Acinetobacter и Acromobacter и консорциумной культуры обоих видов бактерий с использованием метода искусственной нейронной сети (ИНС). Затем была предложена лучшая структура ИНС на основе среднеквадратической ошибки (MSE), а также коэффициента корреляции (R) для чистых культур Acinetobacter и Acromobacter, а также их консорциума. Результаты показали, что корреляции между фактическими данными и данными, предсказанными ИНС (R2) у Acromobacter, Acinetobacter и консорциума обеих культур составили 0,50, 0,47 и 0,63 соответственно. Несмотря на низкую корреляцию между экспериментальными данными и данными, предсказанными ИНС, коэффициент корреляции и точность ИНС для консорциума были выше. В результате ANN имела желаемую точность для прогнозирования удаления гексадекана кобсертиевой культурой Ochromobater и Acintobacter.

Загрязнение почвы, вызванное нефтяными углеводородами, считается серьезной угрозой для окружающей среды, особенно в странах Ближнего Востока. Аварии в линиях электропередачи, утечки из резервуаров для хранения и аварии нефтяных танкеров являются лишь некоторыми примерами загрязнения почвы, вызванного нефтяными углеводородами в странах Ближнего Востока1. Дизельное топливо является важным продуктом сырой нефти, который имеет тенденцию загрязнять почву и воду. Он образуется в процессе переработки нефти и состоит из ароматических соединений, природных и разветвленных алканов2. Среди алканов со средней длиной цепи многие исследователи изучали гексадекан (C16H34) в качестве модельного загрязнителя3,4,5. Таким образом, необходимы подходы к очистке, позволяющие уменьшить опасное воздействие загрязнения гексадеканом. Гексадекан удаляется из почвы и воды различными методами: физическими, термическими, химическими и биологическими. Несмотря на низкую растворимость в воде, они быстро разлагаются микроорганизмами6. Биологические методы являются одними из наиболее распространенных методов разложения и удаления этих веществ7,8. Помимо своей простоты, экономической эффективности и осуществимости, он также экологически безопасен. В последнее время исследователи стремились оптимизировать этот процесс и использовать его 3,9,10,11. Однако традиционные физико-химические методы обработки требуют высоких затрат и могут привести к образованию остатков, токсичных для биоты12. Применение высокоэффективных и недорогих процессов биоремедиации представляет собой чрезвычайно важный способ восстановления загрязненных территорий среди ряда других методов очистки. Обработка почвы в шламовых биореакторах стала одной из ведущих альтернатив биоремедиации почв, загрязненных стойкими ядами, в контролируемых природных условиях13. SB очень часто полезны для определения возможности и фактического потенциала биологической стратегии при окончательном восстановлении загрязненной почвы или участка. В действительности, в условиях навозной жижи скорость истощения яда зависит, прежде всего, от разлагающего действия доступных в среде микроорганизмов14, и полученные результаты по большей части отражают реальный природный очистительный потенциал почвы13. Моделирование является важным инструментом для проектирования и эксплуатации процесса очистки сточных вод. Для моделирования процессов очистки сточных вод применяются различные модели, такие как анализ главных компонентов (PCA)15,16, множественная линейная регрессия (MLR)17, случайный лес (RF)18,19 и искусственные нейронные сети (ИНС)20,21. Среди этих методов ИНС является мощным методом моделирования нелинейных систем, в частности22.

Многочисленные исследователи изучали вторичное воздействие загрязнителей на простые поддающиеся оценке свойства почвы. Модели искусственных нейронных сетей (ИНС) в последнее время были заменены множественной линейной регрессией (MLR) при разработке моделирования прогнозирования загрязнителей почвы23. Основное улучшение ИНС заключается в том, что модели обучены понимать нелинейные и сложные взаимосвязи между входными и выходными конфигурациями, и они не накладывают ограничений ни на входное, ни на выходное пространство24.