Applications of Computational and Statistical Models for Optimizing the Electrochemical Removal of Cephalexin Antibiotic from Water
Notice bibliographique
Résumé
One of the most serious effects of micropollutants in the environment is biological magnification, which causes adverse effects on humans and the ecosystem. Among all of the micro-pollutants, antibiotics are commonly present in the aquatic environment due to their wide use in treating or preventing various diseases and infections for humans, plants, and animals. Therefore, an aluminum-based electrocoagulation unit has been used in this study to remove cephalexin antibiotics, as a model of the antibiotics, from water. Computational and statistical models were used to optimize the effects of key parameters on the electrochemical removal of cephalexin, including the initial cephalexin concentration (15–55 mg/L), initial pH (3–11), electrolysis time (20–40 min), and electrode type (insulated and non-insulated). The response surface methodology-central composite design (RSM-CCD) was used to investigate the dependency of the studied variables, while the artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) methods were applied for predicting the experimental training data. The results showed that the best experimental and predicted removals of cephalexin (CEX) were 88.21% and 93.87%, respectively, which were obtained at a pH of 6.14 and electrolysis time of 34.26 min. The results also showed that the ANFIS model predicts and interprets the experimental results better than the ANN and RSM-CCD models. Sensitivity analysis using the Garson method showed the comparative significance of the variables as follows: pH (30%) > electrode type (27%) > initial CEX concentration (24%) > electrolysis time (19%).
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».