مدلسازی فرآیند جذب زیستی آلاینده های مس و منگنز به روش شبکه عصبی مصنوعی و الگوریتم ژنتیک

مدلسازی فرآیند جذب زیستی آلاینده های مس و منگنز به روش شبکه عصبی مصنوعی و الگوریتم ژنتیک

همگام با گسترش فعالیت های صنعتی و ازدیاد جمعیت، ورود فلزات سنگین به محیط های آبی به مقدار زیادی افزایش یافته است، این آلاینده ها به دلیل سمیت و توانایی تجمع زیستی در جانداران می توانند منجر به تاثیرات نامطلوب زیادی گردند، باکتری ها از جمله میکروارگانیسم هایی هستند که به دلیل سازگاری با طبیعت و نسبت سطح به حجم بالا برای جذب یون های فلزی از محیط مناسب هستند. لذا در این تحقیق به مدل سازی حذف فلزات مس و منگنز با کمک شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی (ann)  ایده‌ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده است و مانند مغز به پردازش اطلاعات می‌پردازد. عنصر کلیدی این ایده ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده به هم پیوسته بنام نرون تشکیل شده است که برای حل یک مساله بطور هماهنگ با یکدیگر عمل می‌کنند.

شبکه‌های عصبی مصنوعی نظیر انسان با مثال یاد می‌گیرند. آن‌ها برای وظیفه‌ای مشخص مانند شناسایی الگوها و دسته‌بندی اطلاعات در طول یک پروسه یادگیری تنظیم می‌شوند. در این تحقیق مدلسازی جذب فلزات منگنز و مس توسط شبکه عصبی مصنوعی مورد بررسی قرار گرفت. ساختار انتخابی شبکه از نوع پرسپترون چند لایه با یک لایه ورودی، یک لایه پنهان و دو لایه خروجی و الگوریتم آموزش پس انتشار لونبرگ- مارکوارت بود. با بررسی توابع انتقال و تعداد نرون های مختلف، توابع بهینه برای لایه پنهان و لایه خروجی به ترتیب tansig و purelin و تعداد نرون های لایه پنهان برابر با 15 انتخاب گردید. ضریب همبستگی و میانگین مربع خطا برای آموزش شبکه مورد نظر به ترتیب 0.9733 و 0.0071 و برای ارزیابی دقت شبکه 0.9921 و 0.0025 به دست آمد که بیانگر تطابق خوب بین داده های آزمایشگاهی و نتایج پیش بینی شده و دقت بالای مدل سازی بود.