Автори | P.M. Yawalkar1, P. William2 , V.M. Tidake3, P.M. Patare4, P.B. Khatkale5, A.A. Khatri6, S.S. Ingle4 |
Афіліація |
1Department of Computer Engineering, MET's Institute of Engineering, Nashik, India 2Department of Information Technology, Sanjivani College Engineering, Kopargaon, SPPU, Pune, India 3Department of MBA, Sanjivani College of Engineering, Kopargaon, SPPU, Pune, India 4Department of Mechanical Engineering, Sanjivani College of Engineering Kopargaon, SPPU, Pune, India 5Sanjivani University, Kopargaon, MH, India 6Department of Computer Engineering, Jaihind College of Engineering, Kuran, SPPU, Pune, MH, India |
Е-mail | praveenkhatkale@gmail.com |
Випуск | Том 16, Рік 2024, Номер 3 |
Дати | Одержано 17 квітня 2024; у відредагованій формі 23 червня 2024; опубліковано online 28 червня 2024 |
Цитування | P.M. Yawalkar, P. William, V.M. Tidake, та ін., Ж. нано- електрон. фіз. 16 № 3, 03016 (2024) |
DOI | https://doi.org/10.21272/jnep.16(3).03016 |
PACS Number(s) | 74.25.Qt, 78.67.Sc |
Ключові слова | Тонкоплівковий нанокомпозит (TFN), Машинне навчання (3) , Пермеатний потік, Відмова від забруднень, Вдосконалена опорна векторна машина (RSVM). |
Анотація |
Нанокомпозитні фільтраційні мембрани з’явилися як потенційні технології очищення та розділення води. Однак надійна оцінка відторгнення забруднюючих речовин і потоку пермеату залишається важкою через складну взаємодію багатьох компонентів. Традиційні методи моделювання не можуть повністю проконтрольювати складну динаміку в роботі. У цій статті запропонована стратегія удосконаленої опорної векторної машини (RSVM) для вирішення цієї проблеми та підвищення продуктивності нанокомпозитних фільтраційних мембран. Для нормалізації функцій дані попередньо обробляються за допомогою мінімально-максимальної нормалізації. Відображаються характеристики даних: рівень відторгнення забруднюючих речовин, потоку пермеату, характеристики мембрани та експериментальна установка. Крім того, запропонований RSVM для визначення найкращих вхідних факторів для ефективності кожної нанокомпозитної мембрани. Завдяки високій стійкості RSVM і великій здатності моделі ML до узагальнення, отримані результати продемонстрували, що ефективність прогнозування моделі RSVM (R2 = 0,995) перевершує математичну модель з точки зору ефективності прогнозування. Для проведення навчання, перевірки та тестування для цієї роботи були використані статистичні дані, включаючи 764 зразки вхідних змінних (п’ять) і вихідних змінних (дві). Підхід RSVM забезпечує надійний і ефективний спосіб прогнозування забруднення нанокомпозитної мембрани та фільтрації води шляхом прогнозування відторгнення забруднюючих речовин і флюсу пермеату.Kлючові слова: Тонкоплівковий нанокомпозит (TFN), Машинне навчання, Пермеатний потік, Відмова від забруднень, Вдосконалена опорна векторна машина (RSVM). |
Перелік посилань |