Prediction of arsenic removal in aqueous solutions with non‐neural network algorithms
Notice bibliographique
Résumé
Abstract Despite some well‐known limitations of artificial neural network (ANN), the basic ANN and its derivatives are frequently used to predict the removal efficiency of different heavy metals like arsenic (As) using various adsorbents, including bio‐adsorbents. Notable examples of applying non‐neural network (NN) approaches, such as support vector regression (SVR) and random forest (RF), are almost non‐existent in theliterature. In the current study, the suitability of these modules to predict As removal efficiency was investigated based on seven independent experimental data sets. The SVR and RF experiments with the merged datasets of experimental and interpolated data points demonstrated their effectivity for the prediction. Specifically, the RF method achieved 97.3% Spearman's rank correlation coefficient (SRCC) and 95.9% R 2 on average, whereas its SVR counterpart exhibited average performances of 96.3% SRCC and 93.9% R 2 on a hold‐out test set. A general method based on the natural cubic spline technique was introduced to interpolate the experimental data points. Compared to the ANN methodology, the non‐NN approaches involved tuning fewer hyperparameters and easier training processes in the R open‐source framework. Furthermore, this kind of economical application of the machine learning algorithms allowed ranking the experimental parameters based on their relative contribution in the As removal efficiency. The study showed that the following parameters are the most influential ones, in decreasing order: pH, adsorbent dose, temperature, agitation time, and initial As concentration.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».