https://doi.org/10.15255/KUI.2022.085
Objavljen: Kem. Ind. 72 (11-12) (2023) 617–626
Referentni broj rada: KUI-85/2022
Tip rada: Izvorni znanstveni rad
Preuzmi rad:  PDF

Strojno učenje i neuronske mreže u modeliranju zadržavanja polarnih farmaceutski aktivnih tvari nanofiltracijom i reverznom osmozom

Y. Ammi, C. Si-Moussa i S. Hanini

Sažetak

Zadržavanje polarnih farmaceutski aktivnih tvari (PPhAC) tijekom nanofiltracije i reverzne osmoze (NF/RO) od iznimne je važnosti u membranskim separacijskim procesima. Membransko zadržavanje 21 PPhAC-a korelirano je sa svojstvima PPhAC-a, karakteristikama membrane i uvjetima provedbe procesa filtracije. Pri tome su primijenjene tehnike umjetne inteligencije: višeslojni perceptron (MLP), neuronska mreža s radijalnom baznom funkcijom (RBF) i metoda potpornih vektora (SVM). Iz literature je prikupljena 541 vrijednost zadržavanja. Rezultati su pokazali visok kapacitet predviđanja MLP modela za cijeli skup podataka, s vrlo visokom vrijednošću koeficijenta korelacije (R = 0,9714) i vrlo niskom vrijednošću korijena srednje kvadratne pogreške (RMSE = 3,9139 %). Usporedba s preostala dva modela (RBF i SVM) pokazala je superiornost MLP modela. Analiza osjetljivosti ukazala je na to da zadržavanjem PPhAC-a upravljaju tri interakcije i to (padajućim redoslijedom): polarne interakcije (hidrofobnost/hidrofilnost), elektrostatsko odbijanje i steričke smetnje. Provedenoo istraživanje sugerira da zadržavanje PPhACs na NF/RO membrani snažno ovisi o topologiji polarne površine.

Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna

Ključne riječi

strojno učenje, neuronske mreže, modeliranje, zadržavanje, PPhACs, nanofiltracija, reverzna osmoza