В последние годы мембранные технологии стали важным инструментом в области очистки воды. Новое исследование продемонстрировало, как интеграция машинного обучения и вычислительной гидродинамики (CFD) может значительно улучшить моделирование процессов массового переноса. Исследователи протестировали несколько моделей, включая многоуровневый перцептрон (MLP), регрессию ближайших соседей (KNN), радиусную регрессию (RNN), LASSO и регрессию с ядром (KRR).
Наиболее впечатляющие результаты показала модель MLP, достигнув коэффициента детерминации R² 0.98637, что указывает на её высокую точность в предсказании концентрации. В ходе работы также использовалась оптимизация Harris Hawks (HHO) для настройки гиперпараметров моделей, что позволило улучшить их производительность.
Модели KRR и MLP продемонстрировали отличные результаты, в то время как LASSO показала наименьшую эффективность. Это исследование открывает новые горизонты для применения машинного обучения в области мембранной науки и подчеркивает важность точного предсказания концентрации для оптимизации процессов очистки воды.