Estudio Comparativo de Métodos de Aprendizaje Automático para el Modelado de Adsorción Basada en Grafeno en el...

Área de la Ciencia:

• Ciencias Ambientales
• Ciencia de Materiales
• Ciencia de Datos

Sus antecedentes:

• La regresión polinómica (PR) se utiliza ampliamente para predecir la eficiencia de eliminación de contaminantes, pero carece de flexibilidad.
• Los métodos de aprendizaje automático como las máquinas de vectores de soporte (SVM) y las redes neuronales de aprendizaje profundo artificial (ANNDL) son prometedores, pero requieren optimización para conjuntos de datos pequeños.
• Los estudios de adsorción para el tratamiento de contaminantes del agua a menudo implican conjuntos de datos pequeños, lo que requiere enfoques de modelado robustos.

Objetivo del estudio:

• Evaluar el rendimiento de la Regresión Polinómica (PR), las Máquinas de Vectores de Soporte (SVM) y las Redes Neuronales de Aprendizaje Profundo Artificial (ANNDL) para predecir la eficiencia de eliminación de contaminantes del agua utilizando conjuntos de datos pequeños.
• Comparar la flexibilidad y la tolerancia de estos métodos en relación con el tamaño de los datos y las limitaciones de los parámetros.
• Proporcionar recomendaciones para optimizar los sistemas de adsorción y el diseño experimental en el tratamiento de agua.

Principales métodos:

• Se utilizaron cuatro conjuntos de datos publicados (nanomateriales relacionados con el grafeno) con tamaños de datos pequeños (20-30 muestras).
• Se aplicaron Regresión Polinómica (PR), Máquinas de Vectores de Soporte (SVM) con un kernel de función de base radial y Redes Neuronales de Aprendizaje Profundo Artificial (ANNDL) utilizando el framework TensorFlow.
• Se evaluó el rendimiento y la fiabilidad del modelo bajo validación cruzada, centrándose en la sensibilidad del tamaño de los datos y los parámetros.

Principales resultados:

• La Regresión Polinómica (PR) mostró fiabilidad pero fue muy sensible al tamaño de los datos y a las limitaciones de los parámetros.
• Las Máquinas de Vectores de Soporte (SVM) con un kernel de función de base radial y las Redes Neuronales de Aprendizaje Profundo Artificial (ANNDL) demostraron un rendimiento superior y una mayor tolerancia a las variaciones en el tamaño de los datos y los parámetros en comparación con la PR.
• Tanto la SVM como la ANNDL resultaron ser más robustas para predecir la eficiencia de eliminación de contaminantes con datos limitados.

Conclusiones:

• Las SVM y las ANNDL son más adecuadas que la PR para modelar la eficiencia de eliminación de contaminantes en conjuntos de datos de tamaño pequeño comunes en estudios de adsorción.
• La elección de la técnica de modelado impacta significativamente la fiabilidad y optimización de los sistemas de tratamiento de agua.
• La investigación futura debe centrarse en aprovechar las técnicas avanzadas de aprendizaje automático para un diseño experimental robusto y un tratamiento eficaz de los contaminantes del agua.