مرور نظام مند و تحلیلی کاربرد الگوریتم های یادگیری ماشین در مدل سازی انتقال نانوذرات در محیط متخلخل

نگرانی های فزاینده درباره پتانسیل مواجهه انسان با انتشار نانوذرات و پیامدهای آن، توجه محققین را به سمت بررسی رفتار انتقال و نگهداشت این ذرات در محیط های متخلخل، تحت شرایط گوناگون معطوف داشته است. دستیابی به درک دقیق تر از این رفتار، نیازمند توسعه مدل های پیش بینی کننده قابل اعتماد است. در این  راستا، هدف اصلی این تحقیق، بررسی نظاممند و تحلیلی مدل های مختلف مبتنی بر یادگیری ماشین از ابعاد مختلف برای پیش بینی راندمان انتقال طیف وسیعی از نانوذرات و شناسایی ویژگی های مهم است. برای دستیابی به این هدف، ابتدا مقالات منتشرشده برای نانوذرات انتخابشده جمعآوری شد. سپس الگوریتمهای یادگیری ماشین شامل رگرسیون خطی، k نزدیک ترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم گیری، جنگل تصادفی، رگرسیون تقویت کننده گرادیان و شبکه های عصبی مصنوعی بررسی شدند. در اکثر این الگوریتمها میزان نگهداشت بهعنوان متغیر پاسخ و خصوصیات نانوذرات، محیط متخلخل و جریان بهعنوان متغیرهای پیشگو در نظر گرفته می شوند. نتیجه مطالعات نشان داد که الگوریتمهای جنگل تصادفی، شبکه عصبی مصنوعی و درخت تصمیم به ترتیب با ۲۷%، ۲۳% و ۱۴% بیشترین کاربرد را در پیشبینی انتقال نانوذرات در محیط متخلخل دارند. تجزیه و تحلیل اهمیت متغیرها نشان می دهد که پنج متغیر از جمله قدرت یونی، حجم حفرات، پتانسیل زتای ذرات، غلظت ورودی و قطر نانوذرات بیشترین تاثیر را بر این فرآیند دارند. از الگوریتمهای پیشبینیکننده ذکرشده در این تحقیق میتوان برای کنترل و مدیریت انتشار نانوذرات مورد استفاده در صنایع مختلف در محیط و کاهش خطرپذیری سلامت آن استفاده نمود.

کلیدواژه ها:

نانوذرات ، محیط متخلخل ، رفتار انتقال ، الگوریتم های یادگیری ماشین ، معیارهای ارزیابی