Adaptive Neuro-Fuzzy Logic System for Heavy Metal Sorption in Aquatic Environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, adaptive neuro-fuzzy inference system ANFIS is used to assess conditions required for aquatic systems to serve as a sink for metal removal; it is used to generate information on the behavior of heavy metals (mercury) in water in relation to its uptake by bio-species (e.g. bacteria, fungi, algae, etc.) and adsorption to sediments. The approach of this research entails training fuzzy inference system by neural networks. The process is useful when there is interrelation between variables and no enough experience about mercury behavior, furthermore it is easy and fast process. Experimental work on mercury removal in wetlands for specific environmental conditions was previously conducted in bench scale at Concordia University laboratories. Fuzzy inference system FIS is constructed comprising knowledge base (i.e. premises and conclusions), fuzzy sets, and fuzzy rules. Knowledge base and rules are adapted and trained by neural networks, and then tested. ANFIS simulates and predicts mercury speciation for biological uptake and mercury adsorption to sediments. Modeling of mercury bioavailability for bio-species and adsorption to sediments shows strong correlation of more than 98% between simulation results and experimental data. The fuzzy models obtained are used to simulate and forecast further information on mercury partitioning to species and sediments. The findings of this research give information about metal removal by aquatic systems and their efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle