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

نگرانی‌های فزاینده‌ درباره پتانسیل مواجهه انسان با انتشار نانوذرات و پیامدهای آن، توجه محققین را به سمت بررسی رفتار انتقال و نگهداشت این ذرات در محیط‌های متخلخل، تحت شرایط گوناگون معطوف داشته است. دستیابی به درک دقیق‌تر از این رفتار، نیازمند توسعه مدل‌های پیش‌بینی‌کننده قابل اعتماد است. در این  راستا، هدف اصلی این تحقیق، بررسی نظام‏مند و تحلیلی مدل‌های مختلف مبتنی بر یادگیری ماشین از ابعاد مختلف برای پیش‌بینی راندمان انتقال طیف وسیعی از نانوذرات و شناسایی ویژگی‌های مهم است. برای دستیابی به این هدف، ابتدا مقالات منتشرشده برای نانوذرات انتخاب‏شده جمع‏آوری شد. سپس الگوریتم‏های یادگیری ماشین شامل رگرسیون خطی، k نزدیک‌ترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم‌گیری، جنگل تصادفی، رگرسیون تقویت‌کننده گرادیان و شبکه‌های 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 می‌شوند. نتیجه مطالعات نشان داد که الگوریتم‏های جنگل تصادفی، شبکه عصبی مصنوعی و درخت تصمیم به ترتیب با 27%، 23% و 14% بیشترین کاربرد را در پیش‏بینی انتقال نانوذرات در محیط متخلخل دارند. تجزیه و تحلیل اهمیت متغیرها نشان می‌دهد 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.