https://doi.org/10.15255/KUI.2021.001
Objavljen: Kem. Ind. 70 (11-12) (2021) 675–691
Referentni broj rada: KUI-01/2021
Tip rada: Izvorni znanstveni rad
Preuzmi rad:  PDF

Optimizacija i predviđanje doze koagulanta za uklanjanje organskih mikrozagađivala na temelju podataka o zamućenju

H. Tahraoui, A. E. Belhadj, N. Moula, S. Bouranene i A. Amrane

Sažetak

Četiri različita matematička modela primijenjena su za predviđanje doze koagulanta u svrhu uklanjanja zamućenja: model odzivne površine (RSM), umjetna neuronska mreža (ANN), model potpornih vektora (SVM) i model prilagodljivog sustava neizrazitog zaključivanja zasnovanog na neuronskoj mreži (ANFIS). Rezultati su pokazali da svi modeli točno opisuju eksperimentalne podatke, iako je ANN model bio nešto bolji. SVM model imao je sličnu podudarnost kao i ANN model no razlika je bila u validaciji modela gdje je ANN model ostvario vrlo visoke vrijednosti koeficijenta korelacije te niske vrijednosti statističkih pokazatelja. No s ekonomskog gledišta, SVM model je prikladniji od ANN modela, budući da je njegov broj parametara 22 što je gotovo upola manje od broja parametara ANN modela (43 parametra), dok su rezultati bili slični. Dodatno smanjenje ekonomskih troškova može se ostvariti primjenom RSM modela koji je ostvario visoke vrijednosti koeficijenata s obzirom na svega 13 parametara. Uz to, RSM model imao je prihvatljive statističke pokazatelje.

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

Ključne riječi

koagulacija, fizikalno-kemijska analiza, metodologija odzivnih površina, umjetne neuronske mreže, metoda potpornih vektora, ANFIS