深度模糊-NN建模用于使用性修饰生物炭预测柱中的Zn(II) 吸附:综合实验和计算见解

科学领域:

• 环境科学 环境科学
• 化学工程是化学工程的重要组成部分.
• 人工智能的人工智能

背景情况:

• 准确预测吸附过程对于优化污染物去除系统至关重要.
• 传统的人工神经网络 (ANN) 模型在这些应用中显示出有限的预测性能.

研究的目的:

• 开发和评估深度模糊神经网络 (DFNN) 模型,用于预测Zn(II) 移除效率.
• 将DFNN模型的预测准确性和效率与传统的ANN模型进行比较.

主要方法:

• 开发了一个深度模糊神经网络 (DFNN) 模型,将基于Sugeno的推理系统与81个模糊规则集成在一起.
• 使用高斯成员函数优化了DFNN模型,gauss2mf表现出卓越的性能.
• 用传统的人工神经网络 (ANN) 模型进行比较,该模型使用Levenberg-Marquardt算法进行训练.

主要成果:

• 优化的DFNN模型实现了高预测准确度,R2为0.9999和平均平方误差为0.00335.
• DFNN模型显著优于ANN模型,该模型的R2为0.4670.0.
• 剩余分析证实实验值和预测值之间的偏差最小,并在100个时代内实现了训练趋同.

结论:

• 与ANN模型相比,开发的DFNN模型显示了Zn (II) 去除的更高的预测准确性和计算效率.
• 将模糊逻辑与神经网络建模集成,提高了对吸附动态模式的预测能力.
• DFNN模型为优化污染物清除系统提供了一个有前途的工具.