nのモデリング

May 11, 2023

Scientific Reports volume 12、記事番号: 19662 (2022) この記事を引用

656 アクセス

メトリクスの詳細

ディーゼルオイルは、水や土壌を汚染する可能性のある主要な石油製品の 1 つであることが知られています。 石油炭化水素によって引き起こされる土壌汚染は、特に中東の環境に大きな影響を与えています。 この研究では、人工ニューラル ネットワーク (ANN) 法を使用して、アシネトバクターとアクロモバクターの 2 つの純粋培養と両細菌種のコンソーシアム培養を使用して、土壌からのヘキサデカン除去のモデリングと最適化を実行しました。 次に、アシネトバクターおよびアクロモバクターの純粋培養およびそれらのコンソーシアムの平均二乗誤差 (MSE) および相関係数 (R) に基づいて、最良の ANN 構造が提案されました。 結果は、アクロモバクター、アシネトバクターおよび両培養のコンソーシアムにおける実際のデータとANN (R2) によって予測されたデータとの間の相関がそれぞれ0.50、0.47および0.63であることを示した。 実験データとANNによって予測されたデータとの間の相関は低いにもかかわらず、コンソーシアムの相関係数とANNの精度はより高かった。 その結果、ANN は、オクロモバーターおよびアシントバクターのコブセルチウム培養物によるヘキサデカンの除去を予測するのに望ましい精度を示しました。

石油炭化水素によって引き起こされる土壌汚染は、特に中東諸国において、環境に対する大きな脅威であると考えられています。 中東諸国における石油炭化水素による土壌汚染の例としては、送電線の故障、貯蔵タンクからの漏洩、石油タンカーの事故などが挙げられます1。 ディーゼル油は土壌や水を汚染する傾向がある重要な原油製品です。 これは石油精製プロセス中に生成され、芳香族化合物、天然アルカン、および分岐アルカンで構成されています2。 中鎖アルカンの中でも、ヘキサデカン (C16H34) はモデル汚染物質として多くの研究者によって研究されています 3、4、5。 したがって、ヘキサデカン汚染の有害な影響を軽減するための治療アプローチが必要です。 ヘキサデカンは、物理的、熱的、化学的、生物学的方法など、さまざまな方法で土壌や水から除去されます。 水への溶解度は低いにもかかわらず、微生物によって急速に分解されます6。 生物学的方法は、これらの物質の分解と除去において最も一般的な方法の 1 つです7,8。 そのシンプルさ、費用対効果、実現可能性に加えて、環境にも優しいため、研究者らはこのプロセスを最適化し、利用することを模索しています3、9、10、11。 しかし、従来の物理化学的処理はコストが高く、生物相に有毒な残留物を生成する可能性があります12。 高効率かつ低コストのバイオレメディエーションプロセスを適用することは、他のいくつかの浄化技術の中でも、汚染地域を回復する非常に重要な方法となります。 スラリーバイオリアクターでの土壌の処理は、管理された自然条件下での頑固な毒物によって汚染された土壌のバイオレメディエーションの主要な代替手段の 1 つとなっています 13。 SB は、汚染された土壌または現場の最終修復における生物学的戦略の可能性と実際の可能性を判断するのに非常に実用的です。 実際には、スラリー条件下では、毒の枯渇率は主に枠組み内でアクセス可能な微生物の腐敗作用に依存しており 14、得られる結果の大部分は土壌の実際の自然浄化の可能性を反映しています 13。 モデリングは、廃水処理プロセスを設計および運用するための重要なツールです。 廃水処理プロセスをモデル化するために、主成分分析 (PCA)15、16、重線形回帰 (MLR)17、ランダム フォレスト (RF)18、19、人工ニューラル ネットワーク (ANN)20、21 などのさまざまなモデルが実装されています。 これらの方法の中でも、ANN は、特に非線形システムをモデル化するための強力な方法です22。

多くの研究者が、単純に評価可能な土壌特性から汚染物質の二次的影響を調査してきました。 最近では、土壌汚染物質の予測シミュレーションを開発する際に、重回帰 (MLR) の代わりに人工ニューラル ネットワーク (ANN) モデルが使用されています 23。 ANN の主な改善点は、モデルが入力構成と出力構成の間の非線形で複雑な関係を理解するようにトレーニングされており、入力空間と出力空間のどちらにも制限を設けないことです24。

ANN の主な利点は、重大な予測不可能な非線形性を示すデータの傾向を検出できることです。 データ駆動型のアプローチとして、ANN は、線形効果と非線形効果を説明するさまざまなスケールで構成の空間的特徴をキャプチャできます。 シミュレーション、予測、モデリングが簡単なため、有望なツールとみなされています25。

ANN は、入力データと出力データ間の非線形関係という信頼性が高く、堅牢で顕著な特性のおかげで、過去 10 年間、環境から汚染物質を除去する予測に広く使用されてきました。 現在、多くの研究者がこれらのモデルを調査し、バイオレメディエーション プロセスを予測する能力を決定しています。バイオレメディエーションは、吸着、酸化還元変換、沈殿反応などのプロセスを通じて環境を修復する生物学的プロセスです26。 生分解プロセスは複雑な性質を持っているため、従来の数学モデルでこれらのプロセスをモデル化およびシミュレーションすることは困難です。 人工ニューラル ネットワーク (ANN) は、プロセスに関連する現象の数学的な詳細が必要ないため、有望で強力なモデリング手法です。

この研究では、ヘキサデカンの除去に関して 7 つの独立したパラメーター (ヘキサデカンの初期濃度、微量栄養素の濃度、C:N:P 比、塩、種子、スラリー、細菌の汚染物質への曝露時間を含む) が調査されました。本研究では、アシネトバクターとアクロモバクターの 2 つの純粋培養と両細菌種のコンソーシアム培養を使用して、土壌からのヘキサデカン除去効率を予測するために ANN モデルが開発されました。 , 最終的に、除去効率に関する要因を確認するために、速度論的方程式と線形方程式が使用されました。

この研究では、バイオオーグメンテーションとバイオスティミュレーションを組み合わせたスラリーバイオリアクターによる土壌からのヘキサデカンの除去に実験データが使用されました。 この実験は、土壌中のヘキサデカンの除去率を最適化するための田口の方法に従って設計されました。 この比率は、最適化する製品/プロセスの品質特性によって異なります。 タグチの方法では、対数関数を使用して信号対雑音比 (S/N) を測定します。 この手法は、プロセス制御パラメーターの最適な設定を調整する直交配列実験に基づくシステム設計のための強力で高品質なツールです。 また、最適化の目的関数となる最適化ステップと出力の設計にも使用した27。 さらに、この方法により設計されたプロセスと製品は外部条件の影響を受けません28。 したがって、精度が向上するにつれてノイズも減少した。

まず、アシネトバクター、アクロモバクターおよびコンソーシアムマスによる 54 サンプルに対して実施されたスラリー反応器による生物学的方法の除去効率です。 次に、スラリー中に細菌が存在するかどうかを対照サンプルと比較します。 さらに、反応器の原液および流出液の化学的特性には、pH、C:N:P、ならびに栄養素、塩および種子の濃度が含まれると推定されました。 きれいな土壌を 2 mm のふるいに通し、ヘキサンで洗浄し、乾燥させる 1 リットルの寸法で設計された反応器。 次に、乾燥土壌 1 kg あたり 3000 mg の濃度でヘキサデカンを添加しました。 その後、完全によく混合し、50 °C で保存しました。 この後、土壌にバクテリアの塊を播種し、最後にバイオレメディエーションのために反応器に加えます29。 この反応器の概略図を図 1 に示します。

この原子炉の概略図。

すべてのバイオリアクターの pH は 7.4 ～ 7.8 の間に調整されました。 この研究のすべての実験は 3 回繰り返して行われたことに注意してください。 20、50、および 80 日後に、残留ヘキサデカンを GC-FID (Varian CP-3800、パロアルト、カリフォルニア州、米国) によって分析しました。

この研究では、アシネトバクター、アクロモバクターの 2 つの純粋培養物、および両細菌種のコンソーシアム培養物を使用して、土壌からのヘキサデカンの除去速度を調査しました。 無機塩培地 (MSM) で大量培養されたすべての細菌と微量元素には、NH4Cl (4 g/L)、KH2PO4 (2.5 g/L)、NaCl (0.5 g/L)、MgSO4 (0.3 g/L)、FeCl3 が含まれていました。 6H2O (0.3 g/L)、CaCl2 (0.01 g/L)、および MnCl2 ・4H2O (0.01 g/L)。 微量栄養素によってサポートされる MSM には、MnCl2・4H2O (40 mg/L)、MoO3 (80 mg/L)、CuSO4 (6 mg/L)、ZnSO4 (60 mg/L) および H3BO3 (0.03 mg/L) が含まれます。 さらに、実験の有効変数も研究されました。 これらの変数には、ヘキサデカンの初期濃度、微量栄養素の濃度、C:N:P 比、塩 (NaCl = 0 ～ 1%)、種子 (活性細菌 = バイオリアクターの体積に対して活性細菌を含む V 栄養ブロス 3 ～ 10%)、スラリー (土壌/水比)、および細菌が汚染物質にさらされる時間。

各培養の実験の総数は 30 回でした。 各パラメータの範囲を表 1 に示します。

ANN は、変数間の非線形関係を決定するための強力なモデリング方法です30。 この研究は、MATLAB 201831,32 を使用して、フィードフォワード逆伝播法とレーベンバーグ・マルカート法によって実行されました。 ニューラル ネットワークには、いくつかの入力層、隠れ層、出力層があります。 各隠れ層のニューロンの数は、応答データベースにおいて非常に重要です。 ヘキサデカンは、2 つの多層パーセプトロン (MLP) を使用して予測されました。 シグモイド伝達関数と線形伝達関数がそれぞれ隠れ層と出力層に使用されました。 モデルの入力には、反応時間、初期ヘキサデカン濃度、塩濃度、適用された微量栄養素濃度、リアクターへの播種速度、スラリーの割合、および炭素対窒素対リンの比率が含まれます。 さらに、割り当てられた重みによってレイヤー間の関係が決まります。

当初、ネットワークは細胞生存率からの実験室データを使用してトレーニングされ、データの 70%、15%、および 15% がそれぞれトレーニング、検証、テストに使用されました。 次に、エラー検証のレベルを監視するために、ネットワーク トレーニングに基づいて重みとバイアスが決定されました。 特定の繰り返しによる検証エラーの増加を条件として、過学習を防ぐためにネットワーク トレーニングを停止しました。 したがって、特定のエポックで検証エラーが増加した場合の過剰適合を防ぎます。

平均二乗誤差 (MSE) と相関係数 (R) の重要性と精度のため、隠れ層のニューロンの数によって得られた MSE と R に基づいて最適な ANN 構造が選択されました。 したがって、ヘキサデカン除去率は、アシネトバクターとアクロモバクターの両方の純粋培養、およびそれらのコンソーシアムによって予測されました。

隠れ層内のニューロンの数は、両方の式の重複範囲に基づいて決定されます。 1と233。

i = 入力の数、o = 出力の数、n = 隠れ層ニューロンの数。

この研究によると、生体刺激法による濃度とヘキサデカン除去効率を示すために、平均、標準偏差、パーセンテージ、変動係数などの記述統計が使用されています。 さらに、t 検定を含む分析統計を使用して、さまざまな条件下でのさまざまな細菌種によるヘキサデカン除去率を比較しました。 有意水準は 0.05 とみなされました。 異なる次数と重みを持つ線形モデルと非線形モデルを使用して、ヘキサデカン除去に対するさまざまな変数の影響とそれらの間の関係を決定しました。 最後に、多項式、三次補間、一般モデル、ガシアン、スプライン補間、二次回帰を含む検討されたモデルの中から、相関係数 (R2) と二乗誤差の合計 (RMSE) に基づいて最適なモデルが選択されました。 この研究では、MATLAB バージョン 2018 ソフトウェアをモデリングに使用し、Excel バージョン 2013 ソフトウェアをグラフに使用しました。

アクロモバクター、アシネトバクターおよびそれらのコンソーシアムを含む細菌種によるスラリー反応器を使用したヘキサデカン除去効率を表 4 に示します。アシネトバクター、アクロモバクターおよび両種のコンソーシアムによる平均ヘキサデカン除去効率は、26.9 ± 9.9、27.86 ± 11.98、および 27.94 ± 12.22 でした。それぞれmg/L。 表 4 によると、アシネトバクターによる最大除去率は 80 日間の曝露後 46.7% でした。 これらの条件では、栄養素、塩、接種、C:N:P比およびスラリーの割合の濃度は、それぞれ2.5、0.5、10、4.17、および5%でした。 また、in vitro でのアクロモバクター除去率の最大値は 59.2% で、これは初期濃度 30 mg/L、微量栄養素が 2.5%、スラリーと種子の含有量がそれぞれ 20 と 2.5% で、塩を含まない場合の炭素対窒素比は 4.17 でした。得られた。 濃度 50 mg/l の細菌共同体による最大除去率は、微量栄養素 2.5%、塩 1%、種子 2.5%、スラリー 5% となりました。 さらに、50 日間で炭素対窒素比 4.17 が得られました。 石油化合物の鉱化は、より高濃度のコンソーシアム培養によって行われたためです。 そのため、ある種の代謝産物が他の種の基質として使用されます34。 この条件では、代謝産物と高濃度の初期基質の阻害効果が減少しました。

この研究論文で研究されたもう 1 つの概念は、アシネトバクター、アクロモバクター、および両細菌種のコンソーシアム バクテリアを使用してヘキサデカンの除去を予測するニューラル ネットワークの能力でした。 これらは、いくつかのアルゴリズムを使用して個別に調査され、最良の結果はレーベンバーグマルクに関連付けられました (表 2)。

表 2 に基づく、記事で表現された Levenberg-Marquardt に関連する最良の結果。

次に、隠れ層内の多数の異なるニューロンを使用したこのアルゴリズムの結果が推定されました。 式の重複範囲に基づきます。 (1) と (2) および入力変数と出力変数の数に応じて、6 ～ 16 個のニューロンが隠れ層に配置されました。 MSE 率と相関係数に基づいて、最適なモデルが選択されました。 すべての細菌培養に最適なモデルのプロットとその結果を図 2 と表 3 に示します。

ANNの最適構造のプロット。 (a) アシントバクター、(b) アクロモバクター、および (c) コンソーシアム。

表 3 によると、アクロモバクター、アシネトバクター、およびそれらのコンソーシアムのヘキサデカンの除去を予測するための最適な ANN トポロジーは、それぞれ 7:9:1、7:7:1、および 7:8:1 でした。 さらに、図 1 によれば、アシネトバクター、アクロモバクター、コンソーシアムの 3 品種すべての除去率を予測するための最小 ANN 誤差は、エポック 1、5、4 でそれぞれ 40.5、32.9、9.4 でした。 それにもかかわらず、検証エラーの増加率が非常に高かったため、3 つの文化すべてでアルゴリズムがそれぞれ反復 7、11、および 10 で停止しました。 さらに、Acromobacter、Acinetobacter、およびそれらのコンソーシアムによるヘキサデカン除去の Rall (ANN 構造の全回帰係数) は、それぞれ 0.75、0.89、および 0.89 でした。 それらすべての R が 0.75 より高かったため、このモデルを使用した予測は良好でした 35。 他の研究では、ANN を使用した PAH 除去の Rall は 0.9 より高かった 24,36。 これらの結果によると、ANN はアクロモバクター種を使用してヘキサデカンの除去を予測する傾向が高いことがわかりました。 表 3 は、実際のデータと ANN によって予測された値における 3 つの培養物すべてによる平均 N-ヘキサデカン除去量を示しています。

表 4 によると、コンソーシアム、Acinetobacter および Acromobacter によるヘキサデカンの平均除去率は、それぞれ 26.9%、27.86%、および 27.92% でした。 さらに、実際のデータにおけるあらゆる培養物に対する最高の除去効率が表 5 に示されています。より多くの界面活性剤が生成されるコンソーシアム培養物では、ヘキサデカンと生物界面活性剤の間により多くのエステル結合が形成されることが予想されるため、毒性や毒性の低減に効果的です。バイオレメディエーションの増加32,37。 コンソーシアムが ANN で予測したアシネトバクターとアクロモバクターの平均排除率は、それぞれ 26.94%、28.9%、27.66% でした。 ANN で予測された標準偏差と変動係数は、実際のデータよりも低かった。

表 5 によると、アシネトバクターによるヘキサデカン除去率は 6% ～ 46% の範囲でしたが、ANN は除去範囲を 9 ～ 39% と予測しました。 さらに、アシネトバクターによるヘキサデカン除去の最も低い割合と最も高い割合は、それぞれ 5 回目と 26 回目の実行で発生しましたが、ANN によるそれらは 4 回目と 39 回目の実行に関連していました。 実際の条件では、アシネトバクターの最大除去率は ANN に準拠していましたが、コンソーシアム内の ANN の変更範囲はより実際の条件と一致していました。 他の研究では、4-9-1 および 3-25-1 構造を持つ微生物集団がトルエンとトリクロロエチレンの除去に使用されたと予測されています。 したがって、この研究の結果は以前の研究によって確認されました 30,31。

ANN によって予測された相関値と 3 つの文化すべての実際のデータを図 3 に示します。

ANNのパフォーマンス。 (a) アシントバクター、(b) アクロモバクター、および (c) アシントバクターとアクロモバクターのコンソーシアム。

図４によれば、両作物のアクロモバクター、アシントバクター、コンソーシアムにおける実際のデータとANN（R2）による予測データとの相関は、それぞれ0.50、0.47、0.63であった。 実際のデータとANNの予測の間には高い相関関係はありませんでしたが、コンソーシアムの予測の方が高かったです。 これらの結果によると、ANN は、Acromobacter および Acinetobacter コンソーシアムを使用してヘキサデカンの除去を予測する高い能力を持っていました。 同様の結果は以前の研究でも示されています 38,39。

ANN 予測と実際のデータの相関係数。 (a) アシントバクター、(b) アクロモバクター、および (c) アシントバクターとアクロモバクターのコンソーシアム。

周囲環境では汚染物質の濃度が継続的に変化するため、暴露時間とヘキサデカンの初期濃度の両方が回帰モデルで予測される除去効率（実際のデータ）に相乗効果を及ぼします（図5）。 また、ANN で予測された条件と比較するため、ANN から得られた濃度を図 4 に示します。

ヘキサン除去率に対する暴露時間と初期ヘキサン濃度の影響。 Excel バージョン 2013 ソフトウェアによる、(a) 栄養素の存在、(b) 微生物塩の存在、(c) 種子の存在、および d) スラリーの存在。

図 6 に示すように、N-ヘキサデカンの最大除去速度は、低濃度 (30 g/kg)、暴露時間 80 日で発生しました。 表 6 によれば、コンソーシアム細菌の増殖に影響を与える要因を考慮して、さまざまな濃度の栄養素の存在下でのヘキサデカン除去のパーセンテージは、一次式に従います。 これは、この化合物が線状構造をしており、その石灰化速度が生物学的利用能に依存するためです29。

ANN モデリングによるヘキサン除去率に対する暴露時間と初期ヘキサン濃度の影響。 Excel バージョン 2013 ソフトウェアによる、(a) 栄養素の存在、(b) 微生物塩の存在、(c) 種子の存在、および d) スラリーの存在。

さまざまな濃度の塩、種子、およびスラリーの存在下で。 それはヘキサデカン濃度の二乗と暴露時間の三乗に適合しました。 ANN によって予測された値は、さまざまな濃度の栄養素と塩の存在下での除去率を示していますが、一次多項式回帰によってより適切に予測されます。 ただし、表 6 に示すように、さまざまな濃度のシードとスラリーが存在する場合、二次回帰で最適なフィッティングが得られました。

実際のデータでは、微量栄養素濃度の変化は、ヘキサデカン濃度の減少と曝露時間の増加に直線的に関連付けられています。 一方、塩、種子、およびスラリーについては、長い反応時間および極度に低い濃度で除去率が最適化されます。 費用対効果の評価の観点から、これらの条件は適切ではありません。

したがって、低コストで微量栄養素の濃度を変更することで、研究や微生物の除染において望ましい条件を達成することがより良くなります。 一方、人工ニューラル ネットワークは、塩についても同様の栄養状態を予測します。 ニューラルネットワークの妥当性を判断するには、塩パラメータに関するさらなる研究が必要であると思われます。

ANN が実施したモデリングでは、多項式回帰モデルによるスラリーと塩の同時効果により最良のモデルが得られました (SSE: 338.7、R-square: 0.8757、Adjusted R-square: 0.8665、RMSE: 3.542)。 これは、ヘキサデカンの実際の削除における両方のパラメーターが多項式回帰モデルとの相関が低いという事実によるものでした (SSE: 2363、R-square: 0.4551、Adjusted R-square: 0.3415、RMSE: 9.923) 図 4。

一方、実際の除去に関して最適なモデルは、応答曲面 (SSE: 1915、R 二乗: 0.5584、調整済み R 二乗: 0.4664、RMSE: 8.933) を使用することにより、スラリーと時間の同時効果に関連していました。 ）（表6）。 しかし、五西らによると、 PAH 除去の予測において、ニューラル ネットワークは線形モデルよりも優れたパフォーマンスを示しました40。 これは、ヘキサデカンが線形構造を持っているためであり、線形モデルによってより適切に予測されます。

この研究では、土壌からの N-ヘキサデカンの除去が、スラリー反応器内のアクロモバクター、アシネトバクターおよびそれらのコンソーシアムによってニューラル ネットワークによってモデル化されました。 続いて、線形回帰モデルを使用して、生物学的除去に対する機能パラメーターの影響を調査しました。 モデリングの結果は、人工ニューラル ネットワークが、アクロモバクターの微生物集団を使用した土壌からの N-ヘキサデカンの生物学的除去を予測する高い能力を持っていることを示しました。 そのため、5 エポックまでは過学習が起こらず、より高い相関係数が得られました。 さらに、格子層内のニューロンの数が多いことは、アシントバクターよりもアクロモバーターを使用したヘキサデカン生分解の予測において、より複雑な非線形関係があることを示しました。 一方、実際のデータとニューラル ネットワーク予測の両方において、N-ヘキサデカンの除去は第 1 度の栄養濃度と関連しており、一方、N-ヘキサデカンの除去は第 2 度のシードおよびスラリーの回帰と関連していました。 ただし、時間と塩濃度に関しては異なる結果が得られており、この分野ではさらに研究が行われる必要があることが示唆されています。 さらに、保存期間が長く、塩、種子、スラリーの濃度が低い場合には除去率のみが最適化されるため、費用対効果の評価には適していません。

この研究中に生成または分析されたすべてのデータは、この公開された論文 [およびその補足情報ファイル] に含まれています。

ショコウヒアン M. & モラディ MJ 牛糞尿を使用したディーゼル燃料汚染土壌のバイオレメディエーション。 J. フェルドウシ土木工学 24(2)、14 (2014)。

Google スカラー

Gallego、JL et al. ディーゼル汚染土壌のバイオレメディエーション: 細菌分解の研究による潜在的な現場技術の評価。 生分解 12(5)、325–335 (2001)。

論文 CAS PubMed Google Scholar

Bouchez Naïtali、M. 他基質取り込みの様式に関連したヘキサデカンを分解する細菌株の多様性。 Ｊ．Ａｐｐｌ． 微生物。 86(3)、421–428 (1999)。

論文 PubMed Google Scholar

オストベルグ、TL 他。 ディーゼル燃料で汚染された土壌におけるn-ヘキサデカンの生分解に対する発酵ホエー中の炭素源と微量栄養素の影響。 内部。 バイオデテリア。 生分解 60(4)、334–341 (2007)。

記事 Google Scholar

Nozari, M.、Samaei, MR & Dehghani, M. スラリー配列決定バッチ反応器内の微生物共同体による土壌からのヘキサデカンの除去に対する共代謝の影響。 J.健康科学。 監視。 システム。 2(3)、113–124 (2014)。

Google スカラー

Volke-Sepulveda, T.、Gutiérrez-Rojas, M. & Favela-Torres, E. 黒色アスペルギルスによる液体および固体発酵におけるヘキサデカンの生分解。 ビオレ。 テクノロジー。 87(1)、81–86 (2003)。

記事 CAS Google Scholar

Loehr、RC および Webster、モンタナ州 野外バイオレメディエーションの結果として土壌からの PAH の放出が減少。 練習してください。 期間。 有害有毒放射性廃棄物管理者 4(3)、118–125 (2000)。

記事 CAS Google Scholar

Kiamarsi, Z. ら、汚染された人工土壌にさらされた細菌集団との相互作用におけるベチバーグラス (Vetiveria zizanioides L.) による原油の生物除去を評価。 内部。 Ｊ．Ｐｈｙｔｏｒｅｍｅｄ． p. 1 ～ 10 (2021)。

Zghair、FS & Jebar、MS 土壌から分離されたいくつかの菌類による鉛の生物除去。 植物のアーチ。 20、6806–6808 (2020)。

Google スカラー

セッティ、L.ら。 シュードモナス種の純粋培養による重油中のn-アルカンの好気的分解に関するさらなる研究。 Chemosphere 26(6)、1151–1157 (1993)。

記事 ADS CAS Google Scholar

Younus, RM、Aziz, EMT & Mohammed, DA モーターオイルで汚染された土壌から分離されたいくつかの細菌種による炭化水素物質の分解。 EurAsian J. BioSci. 14(1)、1087–1095 (2020)。

CAS Google スカラー

Bidoia, E.、Montagnolli, R. & Lopes, P. 比色分析技術によって評価された炭化水素の微生物生分解能: ケーススタディ。 応用微生物。 バイオテクノロジー。 7、1277–1288 (2010)。

Google スカラー

Robles-González, IV、Fava, F.、Poggi-Varaldo, HM 土壌と堆積物のバイオレメディエーションのためのスラリー バイオリアクターに関するレビュー。 微生物。 細胞の事実。 7(1)、1–16 (2008)。

記事 Google Scholar

Fava, F.、Di Gioia, D. & Marchetti, L. 実験室規模のスラリー相条件における廃棄場ポリクロロビフェニル汚染土壌の生物学的解毒における反応器構成の役割。 応用微生物。 バイオテクノロジー。 53(2)、243–248 (2000)。

論文 CAS PubMed Google Scholar

ワン、B.ら。 廃水処理プラントに適用されるプロセス監視および故障診断における確率的主成分分析ベースのアプローチ。 応用ソフトコンピューティング。 82、105527 (2019)。

記事 Google Scholar

Cui、F.ら。 好気性粒状汚泥を用いた部分硝化プロセスにおけるパラメータ相関評価への主成分分析(PCA)の適用。 Ｊ．Ｅｎｖｉｒｏｎ． 管理。 288、112408 (2021)。

論文 CAS PubMed Google Scholar

Beigzadeh、B. et al. ランダムフォレスト回帰、ベイジアン多重線形回帰、および多重線形回帰を使用した吸着モデリングの新しいアプローチ: グリーン吸着剤による 2, 4-D 吸着。 水科学テクノロジー。 82(8)、1586–1602 (2020)。

論文 CAS PubMed Google Scholar

周、Ｐ．ら。 下水処理場における流入量予測のためのランダムフォレストモデル。 ストッチ。 環境解像度リスク評価。 33(10)、1781–1792 (2019)。

記事 Google Scholar

マテオ・ペレス、V. 他都市の下水処理場からの入口廃水中の FOG 含有量を予測するためのランダム フォレスト モデル。 水 13(9)、1237 (2021)。

記事 Google Scholar

サキウィッツ、P. et al. 統合バイオガス・廃水処理システムモデリングのための革新的な人工ニューラルネットワークアプローチ: プロセス強化に対するプラント運転パラメータの影響。 更新します。 持続する。 エネルギー改訂 124、109784 (2020)。

記事 CAS Google Scholar

Bekkari, N.、Zeddouri, A. 人工ニューラル ネットワークを使用して、下水処理プラントの排水の化学的酸素要求量を予測および制御します。 管理。 環境。 クオリティ。 内部。 J. (2018)。

Samadi-Maybodi, A. & Ni Kou, M. 磁化された有機金属構造体による水溶液からのサラフロキサシンの除去。 人工ニューラルネットワークモデリング。 多面体 179、114342 (2020)。

記事 CAS Google Scholar

アンナドゥライ、G. & リー、J.-F. Pseudomonas pictorum を使用したフェノール分解に最適化された複合媒体の開発のための人工ニューラル ネットワーク モデルの応用 (NICM 2074)。 生分解 18(3)、383–392 (2007)。

論文 CAS PubMed Google Scholar

Olawoyin, R. 汚染土壌の PAH バイオレメディエーションのためのバックプロパゲーション人工ニューラル ネットワーク予測モデルの応用。 ケモスフィア 161、145–150 (2016)。

論文 ADS CAS PubMed Google Scholar

Kabuba, J.、オゾン分解プロセスを使用した可溶化および生分解性強化のための廃棄物活性汚泥のモデル化のためのニューラル ネットワークの使用。 生化学。 工学 J. 84. (2014)

Ram Talib、NS、他、農業土壌から新たに単離されたアシネトバクター放射線耐性株 NS-MIE によるクロム (VI) 削減の最適化をモデル化するための人工ニューラル ネットワーク (ANN) および応答曲面法 (RSM) アプローチ。 BioMed Res. 内部。 （2019年）。

Sahoo, P. 無電解 Ni-P コーティングのトライボロジー性能。 材料および表面工学 163–205 (エルゼビア、2012)。

Google Scholar の章

モハメッド、S.ら。 ビニル系ポリマー複合材料の射出成形パラメータの最適化方法。 天然繊維強化ビニルエステルおよびビニルポリマー複合材料 97–108 (エルゼビア、2018)。

Google Scholar の章

Samaei, MR 他 Ochrobactrum oryzaeとPaenibacillus lautusに焦点を当てた、n-ヘキサデカン分解能力の高い堆肥からの新しい培養物の単離と動態モデリング。 土のセディム。 汚染。 内部。 J. 29(4)、384–396 (2020)。

記事 CAS Google Scholar

アジジ、E.ら。 エアリフト充填床バイオリアクターによる 4-クロロフェノールの除去と、反応速度論および数値モデル (人工ニューラル ネットワーク) によるそのモデリング。 科学。 議員 11(1)、1–10 (2021)。

記事 Google Scholar

ブラゴジェフ、N.ら。 農業廃棄物による水からの Cu (II) および Cr (VI) の連続生物吸着のモデル化と効率評価。 Ｊ．Ｅｎｖｉｒｏｎ． 管理。 281、111876 (2021)。

論文 CAS PubMed Google Scholar

Shahzadi、I. et al. アルギニンベースのカチオン性界面活性剤: 親水性高分子薬物と疎水性イオンペアを形成するための生分解性補助剤。 J. コロイド界面科学。 552、287–294 (2019)。

論文 ADS CAS PubMed Google Scholar

アッバシ、F.ら。 焼成温度の変化中の細胞増殖およびヒト肺線維芽細胞株の細胞取り込みに対するSiO2 NPの毒性と人工ニューラルネットワークによるそのモデリング。 Ｊ．Ｅｎｖｉｒｏｎ． 健康科学工学 19(1)、985–995 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Abbasi、F.、A. Azhdarpoor、および MR Samaei、汚染土壌から分離された細菌によるメチル Tert-ブチル エーテル (MTBE) 除去の速度論的モデリング。 内部。 Ｊ．Ｅｎｖｉｒｏｎ． アナル。 化学。 1–16 (2020)。

Ostertagová、E. 多項式回帰を使用したモデリング。 プロセディア工学 48、500–506 (2012)。

記事 Google Scholar

バオ、H.ら。 多環芳香族炭化水素の散逸に対するトウモロコシわらの影響と、PAH バイオレメディエーションのためのバックプロパゲーション人工ニューラル ネットワーク予測モデルの潜在的な応用。 エコトキコール。 環境。 サフ。 186、109745 (2019)。

論文 CAS PubMed Google Scholar

Barin, R. et al. バイオ界面活性剤/バイオ乳化剤生成細菌のコンソーシアムによる、石油汚染土壌の迅速なバイオレメディエーション。 内部。 Ｊ．Ｅｎｖｉｒｏｎ． 科学。 テクノロジー。 11(6)、1701–1710 (2014)。

記事 CAS Google Scholar

Kumar, KV & Porkodi, K. 擬似 2 次反応速度論によって訓練された人工ニューラル ネットワークを使用して、固液吸着プロセスをモデル化します。 化学。 工学 J. 148(1)、20–25 (2009)。

記事 CAS Google Scholar

Khataee、A. et al. 緑色大型藻類によるトリフェニルメタン色素溶液の生物処理のニューラル ネットワーク モデリング。 化学。 工学解像度デス。 89(2)、172–178 (2011)。

記事 CAS Google Scholar

五西、HB 他プロセス中心およびデータ中心のアプローチを使用した、複数の PAH 分解のための生物工学。 ケママ。 知性。 研究室システム。 179、99–108 (2018)。

記事 CAS Google Scholar

リファレンスをダウンロードする

著者らは、研究（提案番号）を支援してくださったシラーズ医科大学の研究副学長に感謝したいと思います。

イラン・シーラーズ医科大学シラーズ医科大学保健学部環境健康工学科

ロヤ・モロヴァティ、ファリバ・アッバシ、モハマド・レザー・サマエイ

イラン・シーラーズ医科大学シラーズ医科学大学保健学部環境健康工学科健康科学研究センター

モハマド・レザー・サマエイ

ニューサウスウェールズ大学、シドニー、ニューサウスウェールズ州、オーストラリア、土木環境工学部環境工学工学士（優等）

ハミド・メフラズマイ

シドニー工科大学、シドニー、ニューサウスウェールズ州、オーストラリア、土木環境工学部土木工学学士（優等）

でもラスティラリ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

RMとMRSが記事を書いていますF.A. データ分析H.M. そしてALが記事を編集しました。

モハマド・レザー・サマエイへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

モロバティ、R.、アッバシ、F.、サマエイ、MR 他。 人工ニューラルネットワーク法を用いたスラリーバイオリアクターによる土壌からのn-ヘキサデカンバイオレメディエーションのモデル化。 Sci Rep 12、19662 (2022)。 https://doi.org/10.1038/s41598-022-21996-6

引用をダウンロード

受信日: 2022 年 5 月 29 日

受理日: 2022 年 10 月 7 日

公開日: 2022 年 11 月 16 日

DOI: https://doi.org/10.1038/s41598-022-21996-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。