بهینه‌سازی متغیرهای غشاء اولترافیلتراسیون با استفاده از یادگیری ماشین جهت جداسازی فلزات از پساب‌ها و محلول‌های صنعتی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: بهینه‌سازی متغیرهای غشاء اولترافیلتراسیون با استفاده از یادگیری ماشین جهت جداسازی فلزات از پساب‌ها و محلول‌های صنعتی

ارائه دهنده: Provider: فاطمه سرهادی - مهندسی مواد

اساتید راهنما: Supervisors: دکتر میثم نوری و دکتر حمید اصفهانی

اساتید مشاور: Advisory Professors: دکتر مسلم نوری

اساتید ممتحن یا داور: Examining professors or referees: دکتر مینو کرباسی و دکتر محرم منصوری زاده

زمان و تاریخ ارائه: Time and date of presentation: ساعت 8 - 1404/6/25

مکان ارائه: Place of presentation: اتاق سمینار مهندسی

چکیده: Abstract: در سال‌های اخیر، توسعه فناوری‌های نوین، به‌ویژه غشاهای سنتزشده به روش الکتروریسی، به یکی از اولویت‌های مهم در حوزه محیط‌زیست برای حذف آلاینده‌های فلزات سنگین از منابع آبی تبدیل شده است. در این پژوهش، با بهره‌گیری از الگوریتم‌های مختلف یادگیری ماشین، مدل‌سازی و پیش‌بینی عملکرد غشاهای الکتروریسی‌شده در حذف فلزات سنگین از محلول‌های آبی مورد بررسی قرار گرفت. اهداف اصلی این پژوهش پیش‌بینی درصد حذف فلزات سنگین توسط غشاهای الکتروریسی‌شده، قطر الیاف و درصد تخلخل آن‌ها بود. برای پیش‌بینی درصد حذف، متغیرهای ورودی شامل پارامترهای فرایند الکتروریسی، ویژگی‌های محلول آبی و شرایط عملیاتی فیلتراسیون می‌شد. اما برای پیش‌بینی قطر الیاف و درصد تخلخل، تنها از متغیرهای فرایند الکتروریسی به‌عنوان ورودی استفاده شد. برای هر یک از اهداف، چهار الگوریتم شامل درخت تصمیم، جنگل تصادفی، نزدیک‌ترین همسایگی و گرادیان بوستینگ به‌کار گرفته شدند. در پیش‌بینی درصد حذف فلزات سنگین، الگوریتم گرادیان بوستینگ با دقت 3/84٪ و میانگین درصد خطای مطلق 11/0 بهترین عملکرد را نشان داد. بر اساس تحلیل مقادیر شپلی ، دبی محلول آبی به‌عنوان مهم‌ترین متغیر تأثیرگذار در پیش‌بینی درصد حذف شناسایی شد. در پیش‌بینی قطر الیاف، تمامی الگوریتم‌ها دقتی بیش از 99٪ داشتند و ولتاژ اعمال‌شده به‌عنوان اثرگذارترین عامل تشخیص داده شد. در پیش‌بینی درصد تخلخل غشا نیز الگوریتم نزدیک‌ترین همسایگی با دقت 4/83٪ عملکرد مطلوبی داشت و وزن مولکولی پلیمر، مؤثرترین متغیر شناسایی شد. برای ارزیابی اثر ویژگی‌های ساختاری غشا (قطر الیاف و درصد تخلخل) بر پیش‌بینی درصد حذف فلزات سنگین، این دو متغیر نیز به ورودی‌های مدل‌ها افزوده شدند. نتایج نشان داد که اگرچه دقت مدل‌ها تا حدی افزایش یافت، اما این بهبود چشمگیر نبود که می‌تواند ناشی از هم‌پوشانی اثر متغیرهای فرایند الکتروریسی و ویژگی‌های ساختاری غشا باشد. به‌منظور اعتبارسنجی نتایج مدل‌های توسعه‌یافته، غشایی با استفاده از متغیرهای ورودی پیشنهادی مدل از پلی‌آمید-6 با افزودن 9 درصد وزنی اکسید تیتانیوم به روش الکتروریسی تولید شد. قطر الیاف در این غشا برابر با 108 نانومتر و درصد تخلخل 5/٪34 اندازه‌گیری شد. همچنین، درصد حذف فلزات سنگین توسط غشای ساخته‌شده معادل 49/90٪ به‌دست آمد؛ در مقابل، مدل توسعه‌یافته توانست قطر الیاف، درصد تخلخل و درصد حذف فلزات سنگین را به ترتیب 2/123 نانومتر و 32٪ و 6/95٪ پیش‌بینی کند. در نهایت، برای تسهیل بهره‌برداری از نتایج، دو رابط کاربری گرافیکی (GUI) طراحی شد. رابط اول، با دریافت متغیرهای فرایند الکتروریسی، ویژگی‌های محلول و شرایط فیلتراسیون، درصد حذف فلزات سنگین را پیش‌بینی می‌کند؛ و رابط دوم، با دریافت متغیرهای فرایند الکتروریسی، قطر الیاف و درصد تخلخل غشا را برآورد می‌کند. یافته‌های این پژوهش نشان داد که بهره‌گیری از مدل‌های یادگیری ماشین همراه با اعتبارسنجی آزمایشگاهی می‌تواند ابزاری کارآمد برای پیش‌بینی و بهینه‌سازی متغیرهای ورودی باشد که نه ‌تنها در پیش‌بینی پارامترهای ساختاری از جمله قطر الیاف و درصد تخلخل کارآمد است، بلکه در طراحی و ساخت غشاهای فیلتراسیون جهت حذف فلزات سنگین از محلول‌های آبی نیز مورد استفاده قرار می‌گیرد.

فایل: ّFile: دانلود فایل