Esnek hesaplama yöntemleri ile polimer içerikli membranlarda Cr (VI) giderme veriminin tahmin edilmesi

Abstract

Bu çalışmada Yapay Sinir Agları (YSA) ve Adaptif Sinirsel Bulanık İlişkisel Sistem (ASBİS) gibi esnek hesaplama yöntemleri ve Çoklu doğrusal regresyon (ÇDR) yöntemi kulanılarak Polimer İçerikli Membranlar (PİM) ile sulu çözeltilerden Cr(VI) ağır metali giderim veriminin tahmin edilmesi amaçlanmıştır. Çalışma kapsamında üç ayrı modelin (YSA, ASBİS ve ÇDR) tahmin kabiliyetlerinin ve performanslarının karşılaştırılması yapılmış ve bu yöntemlerin Cr(VI) giderme verimi tahmini amacıyla kullanılabilirliği test edilmiştir. Bu amaçla PİM kullanılarak farklı işletme şartları altında (zaman, ekstaraktant tipi ve oranı, membran kalınlığı, plastikleştirici tipi ve oranı) Cr(VI) giderimi deneylerinden elde edilen 460 adet deneysel veri seti modelleme çalışmasında kullanılmıştır. Deneysel sonuçlar YSA, ASBİS modeli ve ÇDR tekniklerinden elde edilen sonuçlar ile Kök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH) ve Regresyon katsayısı (R2) performans kriterlerine göre karşılaştırılmıştır. Ayrıca çalışmada her bir işletme parametresinin Cr(VI) giderme verimi üzerindeki etkisini incelemek için farklı yöntemler kullanılarak duyarlılık analizi (DA) yapılmıştır. YSA, ASBİS ve ÇDR modellerin sonuçları için KOKH sırasıyla 0,00556, 0,00924 ve 0,0232 ve OMH 0,00163, 0,00493 ve 0,0148 olarak bulunmuştur. Ayrıca YSA ve ASBİS modeli sonuçları için Regresyon katsayısı (R2) sırasıyla 0,973, 0,867 elde edilirken ÇDR için 0,242 elde edilmiştir. Performans sonuçlarına göre Cr(VI) giderim verimi tahmininde YSA tabanlı tahmin modelinin en iyi sonuçları verdiği, ASBİS yaklaşımının ise kabul edilebilir sonuçlar verdiği, ancak ÇDR yönteminin ise tahmin performansının çok düşük olduğu tespit edilmiştir. Sonuç olarak, Esnek Hesaplama Yöntemlerinin (YSA ve ASBİS) Polimer içerikli membranlarda Cr(VI) giderim verimi tahmininde kullanılabileceği anlaşılmıştır. Çalışma kapsamında yapılan duyarlılık analizi (DA) sonuçlarına göre en önemli işletme parametrelerinin; ekstraktant tipi, zaman, film kalınlığı, plastikleştirici tipi olduğu ve giderim verimi üzerindeki katkı yüzdelerinin sırasıyla % 33,61, % 26,85, % 21,07 ve % 8,917 olduğu tespit edilmiştir.

In this study Polymer Inclusion Membranes (PIM) Cr(VI) removal efficiency is predicted by applying soft computing techniques including, Artificial Neural Network (ANN), Adaptive Neuro Fuzzy Inference (ANFIS) models and Multiple Linear Regression (MLR) technique. The target study organized to scientifically monitor the performance of three predictive models named as ANN, ANFIS and MLR were mutually compared for estimation of PIM Cr(VI) removal efficiency. The 460 experimental data sets were obtained from PIM based Cr(VI) removal experiments by changing the parameters, such as; time, membrane thickness, plasticizer type and rate, extractant type and rate. The results of ANN, ANFIS model and MLR technique were compared in accordance with statistical performance criteria, such as; Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Coefficient of Determination (R2). Furthermore, Sensitivity Analysis was also computed to investigate the effect of each input on PIM Cr(VI) removal efficiency. The performance criteria of models evaluted including, RMSE 0.00556, 0.00924, 0.0232 and MAE 0.00163, 0.00493 and 0.0148 while R2 was noted as 0.973, 0.867 and 0.242 for predicted results of ANN, ANFIS and MLR respectively. According to performance criteria ANN is the best prediction model for PIM Cr(VI) removal efficiency, ANFIS are also acceptable but MLR results are very poor due to complex and nonlinear nature of data sets. Results showed that soft computing techniques (ANN and ANFIS) prediction model is best due to close matching of predicted and experimental results to estimate the PIM Cr(VI) removal efficiency. In this study sensitivity analysis demonstrated that extractant type; time; film thickness; and plasticizer type, counted as major operating parameters having 33.61%, 26.85%, 21.07% and 8.917% percentage contribution, respectively.