محمد رضا وصالی ناصح

چکیده افزایش تخلیه پساب‌های رنگی صنعتی به منابع آبی، یکی از چالش‌های جدی زیست‌محیطی به شمار می‌رود که ضرورت توسعه روش‌های کارآمد برای حذف آلاینده‌های رنگی را دوچندان کرده است. در میان روش‌های متداول تصفیه، فرایند جذب سطحی به دلیل بازده بالا، سادگی و هزینه کم مورد توجه گسترده قرار گرفته است. با این حال، پیش‌بینی دقیق ظرفیت جذب به دلیل ماهیت غیرخطی و وابستگی آن به پارامترهای متعدد فرایندی، همچنان یک مسئله پیچیده محسوب می‌شود. در این پژوهش، عملکرد مدل‌های یادگیری ماشین در پیش‌بینی ظرفیت جذب رنگ متیلن بلو از پساب‌های رنگی مورد بررسی قرار گرفته است. مدل پیشنهادی مبتنی بر شبکه پرسپترون چندلایه (MLP) طراحی شد تا نگاشت غیرخطی میان پارامترهای عملیاتی شامل pH، دوز جاذب، زمان تماس، غلظت اولیه رنگ، حجم محلول و نسبت دوز به حجم را با ظرفیت جذب متوسط (q_e) بیاموزد. برای افزایش کارایی مدل، روش انتخاب ویژگی MRMR به‌کار گرفته شد تا مهم‌ترین متغیرهای مؤثر شناسایی شوند و از ورود داده‌های تکراری جلوگیری گردد. نتایج عددی نشان داد که مدل پیشنهادی با دستیابی به ضریب تعیین (R^2 = 0.991)، عملکردی به‌مراتب دقیق‌تر از الگوریتم‌های مرجع مانند جنگل تصادفی (RF) با (R^2 = 0.8838) و ماشین بردار پشتیبان (SVM) با (R^2 = 0.9253) دارد. این دقت چشمگیر بیانگر توانایی بالای MLP در بازسازی رفتار واقعی سیستم جذب زیستی و ارائه پیش‌بینی‌های قابل اعتماد است. علاوه بر این، تحلیل اهمیت ویژگی‌ها نشان داد که متغیرهایی چون pH، دوز جاذب و زمان تماس بیشترین نقش را در فرآیند جذب ایفا می‌کنند. به‌طور کلی، یافته‌های این پژوهش بیانگر توانمندی بالای مدل‌های یادگیری ماشین، به‌ویژه شبکه MLP در مدل‌سازی فرایندهای جذب سطحی و ارائه ابزاری کارآمد برای پیش‌بینی ظرفیت جذب رنگ در سیستم‌های تصفیه پساب می‌باشد. نتایج حاصل می‌تواند در بهینه‌سازی طراحی و بهره‌برداری از سامانه‌های تصفیه آب و پساب صنعتی مورد استفاده قرار گیرد.