n의 모델링

May 11, 2023

Scientific Reports 12권, 기사 번호: 19662(2022) 이 기사 인용

656 액세스

측정항목 세부정보

디젤유는 물과 토양을 오염시킬 수 있는 주요 석유제품 중 하나로 알려져 있습니다. 석유 탄화수소로 인한 토양 오염은 특히 중동 지역에서 환경에 상당한 영향을 미쳤습니다. 본 연구에서는 Acinetobacter와 Acromobacter의 두 가지 순수 배양물과 인공 신경망(ANN) 방법을 사용하여 두 세균 종의 컨소시엄 배양을 사용하여 토양에서 헥사데칸 제거의 모델링 및 최적화를 수행했습니다. 그런 다음 Acinetobacter와 Acromobacter의 순수 배양물 및 이들의 컨소시엄에 대한 평균 제곱 오차(MSE)와 상관 계수(R)를 기반으로 최고의 ANN 구조가 제안되었습니다. 결과는 두 배양균의 Acromobacter, Acinetobacter 및 컨소시엄에서 실제 데이터와 ANN(R2)에 의해 예측된 데이터 간의 상관관계가 각각 0.50, 0.47 및 0.63인 것으로 나타났습니다. 실험 데이터와 ANN이 예측한 데이터 사이의 낮은 상관관계에도 불구하고 컨소시엄에 대한 ANN의 상관계수와 정확도가 더 높았습니다. 그 결과, ANN은 Ochromobater와 Acintobacter의 cobsertium 배양에 의한 헥사데칸 제거를 예측하는 데 바람직한 정밀도를 가졌습니다.

석유 탄화수소로 인한 토양 오염은 특히 중동 국가에서 환경에 대한 주요 위협으로 간주됩니다. 송전선 고장, 저장 탱크 누출, 유조선 사고 등은 중동 국가에서 석유계 탄화수소로 인한 토양 오염의 예입니다1. 디젤유는 토양과 물을 오염시키는 경향이 있는 중요한 원유 제품입니다. 이는 정유 과정에서 생산되며 방향족 화합물, 천연 및 분지형 알칸으로 구성됩니다2. 중쇄 알칸 중에서 헥사데칸(C16H34)이 많은 연구자에 의해 모델 오염물질로 연구되었습니다3,4,5. 따라서 헥사데칸 오염의 위험한 영향을 줄이기 위한 처리 접근법이 필요합니다. 헥사데칸은 물리적, 열적, 화학적, 생물학적 방법 등 다양한 방법으로 토양과 물에서 제거됩니다. 물에 대한 용해도가 낮음에도 불구하고 미생물에 의해 빠르게 분해됩니다6. 생물학적 방법은 이러한 물질을 분해하고 제거하는 가장 일반적인 방법 중 하나입니다7,8. 단순성, 비용 효율성 및 타당성 외에도 환경 친화적이기 때문에 최근 연구자들은 이 프로세스를 최적화하고 활용하려고 노력해 왔습니다 3,9,10,11. 그러나 기존의 물리화학적 처리는 비용이 많이 들고 생물군에 독성이 있는 잔류물을 생성할 수 있습니다12. 고효율 및 저비용 생물학적 정화 프로세스를 적용하는 것은 여러 다른 정화 기술 중에서 오염된 지역을 복구하는 매우 중요한 방법을 나타냅니다. 슬러리 생물반응기에서의 토양 처리는 통제된 자연 조건 하에서 완고한 독물에 의해 오염된 토양의 생물학적 정화를 위한 주요 대안 중 하나가 되었습니다13. SB는 오염된 토양이나 부지를 최종적으로 복구하는 과정에서 생물학적 전략의 가능성과 실제 잠재력을 결정하는 데 매우 실용적입니다. 실제로 슬러리 조건에서 독극물 고갈율은 주로 프레임워크 내에서 접근 가능한 미생물의 부패 활동에 따라 달라지며14 발생하는 결과는 대부분 토양의 실제 자연 정화 잠재력을 반영합니다13. 모델링은 폐수 처리 프로세스를 설계하고 운영하는 데 중요한 도구입니다. 폐수 처리 과정을 모델링하기 위해 PCA(Principal Component Analysis)15,16, MLR(Multiple Linear Regression)17, RF(Random Forest)18,19 및 ANN(Artificial Neural Networks)20,21과 같은 다양한 모델이 구현됩니다. 이러한 방법 중에서 ANN은 특히 비선형 시스템을 모델링하는 강력한 방법입니다.

수많은 연구자들이 간단하게 평가할 수 있는 토양 특성을 통해 오염물질의 2차 영향을 조사했습니다. 인공 신경망(ANN) 모델은 최근 토양 오염물질에 대한 예측 시뮬레이션 개발에서 다중 선형 회귀(MLR)를 대체했습니다23. ANN의 주요 개선점은 모델이 입력과 출력 구성 간의 비선형적이고 복잡한 관계를 이해하도록 훈련되었으며 입력 또는 출력 공간에 제한을 두지 않는다는 것입니다24.