پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 632 |
| تعداد مقالات | 9,272 |
| تعداد مشاهده مقاله | 67,779,568 |
| تعداد دریافت فایل اصل مقاله | 10,065,113 |
ارائه یک الگوریتم یادگیری ماشین نوین و کاربرد آن در تعیین درصد حذف بهینه رنگزاهای مختلف بر اساس تولید داده‌های مصنوعی | ||
| شیمى کاربردى روز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 خرداد 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/chem.2025.37035.2352 | ||
| نویسندگان | ||
| مهدی ولیخان انارکی1؛ فریده نبی زاده چیانه2؛ فاطمه محمودیان2؛ سعید فرزین* 3 | ||
| 1گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، | ||
| 2گروه شیمی کاربردی، دانشکده شیمی، دانشگاه سمنان، سمنان، ایران | ||
| 3گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان | ||
| تاریخ دریافت: 31 اردیبهشت 1404، تاریخ پذیرش: 17 خرداد 1404 | ||
| چکیده | ||
| حذف رنگزاها از پساب صنعتی یکی از مسائل روز صنایع است. حل این مسأله نیاز به استفاده از سازوکارهای نوین و توانمند دارد. یکی از این سازوکارها استفاده از روش‌های مبتنی بر یادگیری ماشین برای تولید داده‌های مصنوعی در راستای کاهش هزینه‌های مورد نیاز برای انجام مطالعات آزمایشگاهی پر هزینه است. از این رو در مطالعه حاضر، بر مبنای روش‌های یادگیری ماشین یک روش یادگیری گروهی جدید به نام Random_BagStack_Ensemble برای تولید داده‌های مصنوعی ارائه شده است. این روش با پردازش داده‌ها در چندین لایه از روش‌های یادگیری ماشین و تلفیق آنها توانسته است مدل‌سازی حذف رنگزاهای اسید قرمز 33 (AR33)، راکتیو نارنجی 7 (RO7 ) و اسید زرد 3 (AY3) را به‌ترتیب مقادیر 098/0، 088/0 و 108/0 برای RRMSE به دست آورد. این مقادیر نسبت به الگوریتم‌های رگرسیون خطی (MLR)، درخت طبقه‌بندی و رگرسیون (CART)، جنگل تصادفی (RF) و شبکه‌های عصبی مصنوعی عمیق (DNN) تا 94 درصد بهتر است. روش پیشنهادی ظرفیت زیادی را برای تولید داده‌های مصنوعی جهت کاهش هزینه مطالعات آزمایشگاهی نشان داده است. | ||
| کلیدواژه‌ها | ||
| یادگیری گروهی؛ Random_BagStack_Ensemble؛ رنگزا؛ داده‌های مصنوعی؛ تصفیه پساب مصنوعی | ||
| عنوان مقاله [English] | ||
| Presenting a new machine learning algorithm and its application in determining the optimal removal percentage of various dyes based on synthetic data generation | ||
| نویسندگان [English] | ||
| Mahdi Valikhan Anaraki1؛ Farideh Nabizadeh Chianeh2؛ Fatemeh Mahmoudian2؛ Saeed Farzin3 | ||
| 1Department of Water Engineering and Hydraulic Structures, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 2Department of Applied Chemistry, Faculty of Chemistry, Semnan University, Semnan, Iran | ||
| 3Department of Water Engineering and Hydraulic Structures, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| چکیده [English] | ||
| Dye removal from industrial wastewater is one of the current issues in industries. Solving this problem requires the use of advanced and efficient mechanisms. One of these mechanisms is the use of machine learning-based methods to generate synthetic data in order to reduce the costs associated with conducting expensive laboratory studies. Therefore, in the present study, a new ensemble learning method called Random_BagStack_Ensemble has been proposed based on machine learning methods to generate synthetic data. By processing data in several layers of machine learning methods and combining them, this method has been able to model the removal of Acid red 33 (AR33), Reactive Orange 7 (RO7), and Acid Yellow 3 (AY3) dyes with RRMSE values of 0.098, 0.088, and 0.108, respectively. These values show an improvement of up to 94% compared to the linear regression (MLR), classification and regression tree (CART), random forest (RF), and deep artificial neural networks (DNN) algorithms. The proposed method demonstrates significant potential for generating synthetic data to reduce the cost of laboratory studies | ||
| کلیدواژه‌ها [English] | ||
| Ensemble learning, Random_BagStack_Ensemble, Dyes, Synthetic data, Synthetic wastewater treatment | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1 |
||