Optimization and prediction of chromium (iv) removal from synthetic acid mine drainage using green adsorbents: A Box–Behnken design and adaptive neuro‐fuzzy inference approach
Notice bibliographique
Résumé
Abstract Chromium (VI) is a highly toxic heavy metal ion linked to severe health issues, including kidney failure, gastrointestinal irritation, multi‐organ failure, and death, depending on exposure levels. Several chemical and traditional water purification methods have been developed in the past, but most are expensive, tedious, and ineffective. This current study employed cellulose nanocrystals (CNCs) prepared via hydrolysis of waste paper, followed by carboxylation and integration with sodium alginate to enhance Cr (VI) adsorptive properties. The adsorbents were solidified using calcium chloride and characterized for their chemical structure and surface energy optimization. MATLAB‐ANFIS was used to predict chromium (VI) adsorption at various optimization parameters such as pH, dosage, contact time, and initial concentration. The adaptive neuro‐fuzzy inference system (ANFIS) offered a practical approach to optimize adsorption processes, saving time and resources for real‐life applications. To enhance prediction accuracy, the study employed the Box‐Behnken design (BBD) to optimize membership functions (MFs) and their numbers. Eight widely used MFs, including triangular, trapezoidal, Gaussian, and generalized bell‐shaped, were evaluated. ANFIS models fitted with triangular and trapezoidal MFs proved statistically significant at the 95% confidence level, according to ANOVA analysis. Optimal MF numbers for inputs were identified as 5‐5‐2 for triangular and 9‐9‐3 for trapezoidal MFs. The optimized ANFIS model, employing triangular MFs, achieved a low root mean square error (RMSE) of 1.9084 and a high correlation coefficient ( R 2 ) of 0.9922, demonstrating its accuracy and reliability in predicting chromium (VI) adsorption capacity under the identified optimal conditions. This systematic approach demonstrates the effectiveness of ANFIS in accurately predicting and optimizing heavy metal adsorption processes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».