Modelagem de n

May 11, 2023

Scientific Reports volume 12, Número do artigo: 19662 (2022) Citar este artigo

656 Acessos

Detalhes das métricas

O óleo diesel é conhecido por ser um dos principais produtos petrolíferos que podem poluir a água e o solo. A poluição do solo causada por hidrocarbonetos de petróleo tem impactado substancialmente o meio ambiente, especialmente no Oriente Médio. Neste estudo, a modelagem e otimização da remoção de hexadecano do solo foi realizada usando duas culturas puras de Acinetobacter e Acromobacter e culturas consorciadas de ambas as espécies bacterianas usando o método de rede neural artificial (ANN). Em seguida, a melhor estrutura de RNA foi proposta com base no erro quadrático médio (MSE), bem como no coeficiente de correlação (R) para culturas puras de Acinetobacter e Acromobacter, bem como seu consórcio. Os resultados mostraram que as correlações entre os dados reais e os dados previstos pela RNA (R2) em Acromobacter, Acinetobacter e consórcio de ambas as culturas foram 0,50, 0,47 e 0,63, respectivamente. Apesar da baixa correlação entre os dados experimentais e os dados previstos pela RNA, o coeficiente de correlação e a precisão da RNA para o consórcio foi maior. Como resultado, ANN teve precisão desejável para prever a remoção de hexadecan pela cultura de cobsertium de Ochromobater e Acintobacter.

A poluição do solo causada por hidrocarbonetos de petróleo é considerada uma grande ameaça ao meio ambiente, principalmente nos países do Oriente Médio. Falhas em linhas de transmissão, vazamentos de tanques de armazenamento e acidentes com petroleiros são alguns exemplos de poluição do solo causada por hidrocarbonetos de petróleo em países do Oriente Médio1. O óleo diesel é um importante produto do petróleo bruto que tem a tendência de poluir o solo e a água. É produzido durante o processo de refino do petróleo e é composto por compostos aromáticos, alcanos naturais e ramificados2. Dentre os alcanos de cadeia média, o hexadecano (C16H34) tem sido estudado como contaminante modelo por muitos pesquisadores3,4,5. Assim, são necessárias abordagens de tratamento para reduzir os efeitos nocivos da poluição por hexadecano. O hexadecano é removido do solo e da água por vários métodos, como métodos físicos, térmicos, químicos e biológicos. Apesar de sua baixa solubilidade em água, são rapidamente degradados por microorganismos6. Os métodos biológicos são um dos métodos mais comuns na decomposição e remoção dessas substâncias7,8. Além de sua simplicidade, custo-benefício e viabilidade, também é ecologicamente correto. Recentemente, pesquisadores têm buscado otimizar esse processo e utilizá-lo 3,9,10,11. No entanto, os tratamentos físico-químicos convencionais têm custos elevados e podem gerar resíduos tóxicos para a biota12. A aplicação de processos de biorremediação de alta eficiência e baixo custo representa uma forma extremamente importante de recuperação de áreas contaminadas entre várias outras técnicas de limpeza. O tratamento de solo em biorreatores de lama tem se tornado uma das principais alternativas para a biorremediação de solos contaminados por venenos obstinados em condições naturais controladas13. Os SBs são muitas vezes práticos para determinar a possibilidade e o potencial real de uma estratégia biológica no reparo final de um solo ou local contaminado. Na verdade, sob condições de chorume, as taxas de exaustão de veneno dependem principalmente da ação de corrupção dos microorganismos acessíveis na estrutura14 e os resultados obtidos em grande parte refletem o real potencial natural de depuração do solo13. A modelagem é uma ferramenta importante para projetar e operar um processo de tratamento de águas residuais. Para modelar os processos de tratamento de águas residuais, vários modelos, como Análise de Componentes Principais (PCA)15,16, Regressão Linear Múltipla (MLR)17, Random Forest (RF)18,19 e Redes Neurais Artificiais (ANN)20,21 são implementados. Entre esses métodos, ANN é um método poderoso para modelar sistemas não lineares particularmente22.

Numerosos pesquisadores examinaram os efeitos secundários dos poluentes a partir de propriedades simples do solo avaliáveis. Modelos de rede neural artificial (ANN) têm sido substituídos recentemente por regressão linear múltipla (MLR) no desenvolvimento de simulações de previsão para poluentes do solo23. A principal melhoria da RNA é que os modelos são treinados para compreender a relação não linear e complexa entre as configurações de entrada e saída e não colocam limitações na entrada ou no espaço de saída24.