Modelado de n

May 11, 2023

Scientific Reports volumen 12, Número de artículo: 19662 (2022) Citar este artículo

656 Accesos

Detalles de métricas

Se sabe que el gasóleo es uno de los principales productos derivados del petróleo que pueden contaminar el agua y el suelo. La contaminación del suelo causada por los hidrocarburos del petróleo ha tenido un impacto sustancial en el medio ambiente, especialmente en el Medio Oriente. En este estudio, se realizó el modelado y la optimización de la eliminación de hexadecano del suelo utilizando dos cultivos puros de Acinetobacter y Acromobacter y un cultivo en consorcio de ambas especies bacterianas utilizando el método de red neuronal artificial (ANN). Luego se propuso la mejor estructura ANN basada en el error cuadrático medio (MSE) así como el coeficiente de correlación (R) para cultivos puros de Acinetobacter y Acromobacter así como su consorcio. Los resultados mostraron que las correlaciones entre los datos reales y los datos predichos por ANN (R2) en Acromobacter, Acinetobacter y consorcio de ambos cultivos fueron 0,50, 0,47 y 0,63, respectivamente. A pesar de la baja correlación entre los datos experimentales y los datos predichos por ANN, el coeficiente de correlación y la precisión de ANN para el consorcio fue mayor. Como resultado, ANN tuvo una precisión deseable para predecir la eliminación de hexadecano por el cultivo de cobsertium de Ochromobater y Acintobacter.

La contaminación del suelo causada por los hidrocarburos del petróleo se considera una gran amenaza para el medio ambiente, especialmente en los países de Oriente Medio. Las fallas en las líneas de transmisión, las fugas en los tanques de almacenamiento y los accidentes de los petroleros son algunos ejemplos de la contaminación del suelo causada por los hidrocarburos del petróleo en los países de Medio Oriente1. El gasóleo es un importante producto del petróleo crudo que tiende a contaminar el suelo y el agua. Se produce durante el proceso de refinación del petróleo y se compone de compuestos aromáticos, alcanos naturales y ramificados2. Entre los alcanos de cadena media, muchos investigadores han estudiado el hexadecano (C16H34) como contaminante modelo3,4,5. Por lo tanto, se necesitan enfoques de tratamiento para reducir los efectos peligrosos de la contaminación por hexadecano. El hexadecano se elimina del suelo y el agua por varios métodos, como métodos físicos, térmicos, químicos y biológicos. A pesar de su baja solubilidad en agua, son rápidamente degradados por microorganismos6. Los métodos biológicos son uno de los métodos más comunes en la descomposición y eliminación de estas sustancias7,8. Además de su simplicidad, rentabilidad y viabilidad, también es amigable con el medio ambiente recientemente, los investigadores han buscado optimizar este proceso y utilizarlo 3,9,10,11. Sin embargo, los tratamientos físico-químicos convencionales tienen altos costos y pueden generar residuos tóxicos para la biota12. La aplicación de procesos de biorremediación de alta eficiencia y bajo costo representa una forma extremadamente importante de recuperar áreas contaminadas entre varias otras técnicas de limpieza. El tratamiento de suelos en biorreactores de lodos ha llegado a ser una de las principales alternativas para la biorremediación de suelos contaminados por venenos obstinados bajo condiciones naturales controladas13. Los SB son muy a menudo prácticos para determinar la posibilidad y el potencial real de una estrategia biológica en la reparación final de un suelo o sitio contaminado. En realidad, en condiciones de purín, las tasas de agotamiento del veneno dependen principalmente de la acción corruptora de los microorganismos disponibles en el marco14 y los resultados obtenidos reflejan en su mayor parte el potencial real de depuración natural del suelo13. El modelado es una herramienta importante para diseñar y operar un proceso de tratamiento de aguas residuales. Para modelar los procesos de tratamiento de aguas residuales se implementan diversos modelos como el Análisis de Componentes Principales (PCA)15,16, Regresión Lineal Múltiple (MLR)17, Random Forest (RF)18,19 y Redes Neuronales Artificiales (ANN)20,21. Entre estos métodos, ANN es un método poderoso para modelar sistemas no lineales en particular22.

Numerosos investigadores han examinado los efectos secundarios de los contaminantes a partir de propiedades simples evaluables del suelo. Los modelos de redes neuronales artificiales (ANN) han sido sustituidos recientemente por regresión lineal múltiple (MLR) en el desarrollo de simulaciones de predicción de contaminantes del suelo23. La principal mejora de ANN es que los modelos están entrenados para comprender la relación no lineal y compleja entre las configuraciones de entrada y salida y no imponen limitaciones ni en el espacio de entrada ni en el de salida24.

Un beneficio importante de las ANN es su capacidad para detectar tendencias en los datos que muestran una no linealidad significativa e impredecible. Como un enfoque basado en datos, la ANN puede capturar características espaciales de la configuración en diferentes escalas que describen efectos lineales y no lineales. Debido a su simplicidad en simulación, pronóstico y modelado, se considera una herramienta prometedora25.

Las ANN se han utilizado ampliamente en la última década para pronosticar la eliminación de contaminantes del medio ambiente, gracias a sus características confiables, robustas y sobresalientes de relaciones no lineales entre los datos de entrada y salida. Hoy en día, muchos investigadores investigan estos modelos y determinan su capacidad para predecir el proceso de biorremediación. La biorremediación es un proceso biológico que remedia el medio ambiente a través de procesos como la adsorción, la transformación redox y las reacciones de precipitación26. Debido a la naturaleza compleja del proceso de biodegradación, es difícil modelar y simular estos procesos mediante modelos matemáticos tradicionales. Las redes neuronales artificiales (ANN) son una técnica de modelado prometedora y poderosa ya que no se requieren los detalles matemáticos de los fenómenos relacionados con el proceso.

En este estudio, se investigaron 7 parámetros independientes (que incluyen la concentración inicial de hexadecano, la concentración de micronutrientes, la relación C: N: P, la sal, la semilla, la suspensión y el tiempo de exposición de las bacterias al contaminante) sobre la eliminación del hexadecano, y desde entonces la Los efectos y la relación entre los parámetros no se pueden determinar con relaciones lineales. En el presente estudio, se desarrollaron modelos ANN para predecir la eficiencia de eliminación de hexadecano del suelo utilizando dos cultivos puros de Acinetobacter y Acromobacter y un cultivo de consorcio de ambas especies bacterianas. , Al final, se han utilizado ecuaciones cinéticas y lineales para comprobar los factores sobre la eficiencia de eliminación.

En este estudio, se utilizaron datos experimentales para la eliminación de hexadecano del suelo mediante biorreactores de lodos que utilizan una combinación de bioaumentación y bioestimulación. El experimento diseñado según el método de Taguchi para optimizar la tasa de remoción de hexadecano en el suelo. La relación depende de las características de calidad del producto/proceso a optimizar. El método de Taguchi utiliza funciones logarítmicas para medir las relaciones señal-ruido (S/N). Esta técnica es una herramienta poderosa y de alta calidad para el diseño de sistemas basados ​​en experimentos de arreglos ortogonales que disponen la configuración óptima de los parámetros de control de procesos. Además, se utilizó como para el diseño del paso de optimización y la salida para servir como funciones objetivo para la optimización27. Además, los procesos y productos diseñados por este método no están influenciados por condiciones externas28. Por lo tanto, el ruido disminuyó a medida que mejoraba la precisión.

En primer lugar, la eficiencia de eliminación del método biológico en el reactor de lodo realizado en 54 muestras por Acinetobacter, Acromobacter y masa del consorcio. Luego, compara con las muestras de control que hay bacterias en la suspensión. Además, se estimaron las propiedades químicas de la materia prima y del efluente del reactor que incluyeron pH, C:N:P, así como la concentración de nutrientes, sal y semillas. Reactor diseñado con dimensión de 1 litro en el que la tierra limpia se pasó por un tamiz de 2 mm y se lavó con hexano, y se secó. Luego, se enriqueció con hexadecano a una concentración de 3000 mg/kg de suelo seco. Luego se mezcló bien por completo y se almacenó a 50 °C. Luego de esto, el suelo se siembra por masa de bacterias y finalmente se agrega al reactor para biorremediación29. El esquema de este reactor se muestra en la Fig. 1.

El esquema de este reactor.

El pH de todos los biorreactores se ajustó entre 7,4 y 7,8. Cabe señalar que todos los experimentos de este estudio se realizaron por triplicado. El hexadecano residual fue analizado por GC-FID (Varian CP-3800, Palo Alto, CA, EE. UU.) después de 20, 50 y 80 días.

En este estudio, se investigó la tasa de eliminación de hexadecano del suelo usando dos cultivos puros de Acinetobacter, Acromobacter y un cultivo de consorcio de ambas especies bacterianas. Todas las bacterias cultivadas en masa en medio de sales minerales (MSM) y oligoelementos incluyeron NH4Cl (4 g/L), KH2PO4 (2,5 g/L), NaCl (0,5 g/L), MgSO4 (0,3 g/L), FeCl3. 6H2O (0,3 g/L), CaCl2 (0,01 g/L) y MnCl2.4H2O (0,01 g/L). El MSM respaldado por micronutrientes incluía MnCl2.4H2O (40 mg/L), MoO3 (80 mg/L), CuSO4 (6 mg/L), ZnSO4 (60 mg/L) y H3BO3 (0,03 mg/L). Además, también se estudiaron las variables efectivas del experimento. Estas variables incluyen la concentración inicial de hexadecano, concentración de micronutrientes, relación C:N:P, sal (NaCl = 0–1%), semilla (bacterias activas = 3–10% V caldo nutritivo con bacterias activas por volumen de biorreactor), purín (proporción suelo/agua) y tiempo de exposición de las bacterias al contaminante.

El número total de experimentos para cada cultivo fue de 30 corridas. El rango de cada parámetro se da en la Tabla 1.

ANN es un poderoso método de modelado para determinar la relación no lineal entre variables30. Este estudio se realizó mediante retropropagación feed-forward y Levenberg-Marquardt utilizando MATLAB 201831,32. En la red neuronal, hay varias capas de entrada, ocultas y de salida. El número de neuronas en cada capa oculta tiene una gran importancia en la base de datos de respuesta. El hexadecano se predijo utilizando dos perceptrones multicapa (MLP). Se utilizaron funciones de transferencia sigmoidea y lineal para las capas ocultas y de salida, respectivamente. Las entradas del modelo incluyeron el tiempo de reacción, la concentración inicial de hexadecano, la concentración de sal, la concentración de micronutrientes aplicados, la tasa de siembra del reactor, el porcentaje de lodo y la relación de carbono a nitrógeno a fósforo. Además, el peso asignado determinaba la relación entre las capas.

Inicialmente, la red fue entrenada con datos de laboratorio de viabilidad celular, de los cuales el 70%, 15% y 15% de los datos fueron utilizados para entrenamiento, validación y prueba, respectivamente. Luego, el peso y el sesgo se determinaron con base en el entrenamiento de la red para monitorear el nivel de validación de errores. Con la condición de un aumento en el error de validación debido a la repetición específica, el entrenamiento de la red se detuvo para evitar el sobreajuste. Por lo tanto, evita el sobreajuste cuando el error de validación aumenta con una época específica.

Debido a la importancia y precisión del error cuadrático medio (MSE) y el coeficiente de correlación (R), se seleccionó la mejor estructura ANN en función del MSE y R que se obtuvieron por el número de neuronas en la capa oculta. Por lo tanto, el porcentaje de eliminación de hexadecano se predijo mediante cultivos puros de Acinetobacter y Acromobacter, así como de su consorcio.

El número de neuronas en la capa oculta se determina en función del rango de superposición de ambas ecuaciones. 1 y 233.

i = número de entradas, o = número de salidas y n = número de neuronas de capa oculta.

De acuerdo con este estudio, se han utilizado estadísticas descriptivas como media, desviación estándar, porcentaje y coeficiente de variación para indicar la concentración y la eficiencia de eliminación de hexadecano utilizando el método de bioestimulación. Además, se utilizaron estadísticas analíticas, incluida la prueba t, para comparar la tasa de eliminación de hexadecano por diferentes especies bacterianas en diversas condiciones. El nivel de significación se consideró 0,05. Se utilizaron modelos lineales y no lineales, con diferentes grados y pesos, para determinar el efecto de diferentes variables sobre la remoción de hexadecano y la relación entre ellas. Finalmente, entre los modelos estudiados incluidos polinominal, interpolante cúbico, modelo general, gussiano, interpolante spline y regresión cuadrática, se seleccionó el mejor modelo con base en el coeficiente de correlación (R2) y la suma de cuadrados de errores (RMSE). En este estudio, se utilizó el software MATLAB versión 2018 para el modelado y el software Excel versión 2013 para las gráficas.

La eficiencia de eliminación de hexadecano utilizando un reactor de suspensión por especies bacterianas, incluidas Acromobacter, Acinetobacter y su consorcio, se muestra en la Tabla 4. La eliminación media de hexadecano por Acinetobacter, Acromobacter y su consorcio de ambas especies fue de 26,9 ± 9,9, 27,86 ± 11,98 y 27,94 ± 12,22. mg/L, respectivamente. Según la Tabla 4, la remoción máxima por Acinetobacter fue de 46,7% luego de 80 días de exposición. En estas condiciones, la concentración de nutrientes, sal, inoculación, relación C:N:P y porcentaje de purines al 2,5, 0,5, 10, 4,17 y 5%, respectivamente. Además, la máxima eliminación in vitro de Acromobacter fue del 59,2 %, que a la concentración inicial de 30 mg/L, micronutriente igual al 2,5 %, contenido de estiércol líquido y semilla igual al 20 y 2,5 % respectivamente, y una relación de carbono a nitrógeno de 4,17 sin sal es obtenido. El porcentaje máximo de remoción por consorcio bacteriano, al tener una concentración de 50 mg/l, dio como resultado los siguientes porcentajes: 2,5% de micronutrientes, 1% de sal, 2,5% de semilla y 5% de purín. Adicionalmente se obtuvo una relación carbono a nitrógeno de 4.17 en un periodo de 50 días. Porque la mineralización de los compuestos del petróleo fue realizada por cultivos en consorcio a concentraciones más altas. De modo que los metabolitos de una especie se utilizan como sustrato para otras especies34. En esta condición, se redujo el efecto inhibidor de los metabolitos y las altas concentraciones de sustrato inicial.

Otro concepto estudiado en este trabajo de investigación fue la capacidad de las redes neuronales para predecir la eliminación de hexadecano utilizando Acinetobacter, Acromobacter y bacterias del consorcio de ambas especies bacterianas. Se investigaron por separado utilizando los diversos algoritmos que mejores resultados se asociaron con Levenberg-Marque (Tabla 2).

Con base en la Tabla 2, los mejores resultados asociados a Levenberg-Marquardt que se expresan en el artículo.

Luego se estimaron los resultados de este algoritmo con varias neuronas diferentes en la capa oculta. Basado en el rango superpuesto de las Ecs. (1) y (2) y según el número de variables de entrada y salida, se colocaron de 6 a 16 neuronas en la capa oculta. Con base en la tasa de MSE y el coeficiente de correlación, se seleccionó el mejor modelo. La gráfica del mejor modelo para el cultivo de todas las bacterias y sus resultados se muestran en la Fig. 2 y la Tabla 3.

La trama de la estructura óptima de ANN. (a) Acintobacter, (b) Acromobacter y (c) consorcio.

De acuerdo con la Tabla 3, la mejor topología de ANN para predecir la eliminación de hexadecanos para Acromobacter, Acinetobacter y su consorcio fue 7: 9: 1, 7: 7: 1 y 7: 8: 1, respectivamente. Además, según la Fig. 1, el error ANN mínimo para predecir el porcentaje de eliminación para los tres cultivares: Acinetobacter, Acromobacter y consorcio fue de 40,5, 32,9 y 9,4, en las épocas 1, 5 y 4 respectivamente. A pesar de eso, la tasa de aumento de error de validación fue tal que para las tres culturas, el algoritmo se detuvo en las iteraciones 7, 11 y 10, respectivamente. Además, Rall (el coeficiente de regresión total de la estructura ANN) para la remoción de hexadecano por Acromobacter, Acinetobacter y su consorcio fue de 0.75, 0.89 y 0.89, respectivamente. Como el R de todos ellos fue superior a 0,75, la predicción con este modelo fue buena35. En otros estudios, Rall para la eliminación de PAH fue superior a 0,9 utilizando ANN24,36. De acuerdo con estos resultados, la ANN tiene una alta tendencia a predecir la remoción de hexadecano utilizando especies de Acromobacter. La Tabla 3 muestra la eliminación media de N-hexadecano por los tres cultivos en los datos reales y los valores predichos por ANN.

De acuerdo con la Tabla 4, la remoción promedio de hexadecano por consorcio, Acinetobacter y Acromobacter fue de 26.9%, 27.86% y 27.92%, respectivamente. Además, la mejor eficiencia de eliminación para cualquier cultivo en datos reales se expresó en la Tabla 5. Debido a que se espera que en cultivos de consorcio con la producción de más tensioactivos, se formen más enlaces éster entre el hexadecano y los biotensioactivos, lo que es eficaz para reducir la toxicidad y aumentando la biorremediación32,37. La eliminación promedio prevista en ANN por el consorcio, Acinetobacter y Acromobacter fue 26,94, 28,9 y 27,66%, respectivamente. La desviación estándar y el coeficiente de variación previstos en ANN fueron inferiores a los datos reales.

De acuerdo con la Tabla 5, el porcentaje de eliminación de hexadecano por Acinetobacter osciló entre 6% y 46%, mientras que ANN predijo un rango de eliminación de 9 a 39%. Además, los porcentajes más bajo y más alto de eliminación de hexadecano por Acinetobacter ocurrieron en las ejecuciones 5 y 26, respectivamente, mientras que se relacionaron con las ejecuciones 4 y 39 de ANN. Aunque durante las condiciones reales, la tasa máxima de eliminación de Acinetobacter estuvo de acuerdo con la ANN, el rango de cambios de ANN en el consorcio estuvo más en línea con las condiciones reales. En otros estudios, se ha pronosticado que se usaron poblaciones microbianas con estructuras 4-9-1 y 3-25-1 para la remoción de tolueno y tricloroetileno. Por lo tanto, los resultados de este estudio fueron confirmados por estudios previos30,31.

Los valores de correlación predichos por ANN y los datos reales para los tres cultivos se muestran en la Fig. 3.

El desempeño de ANN. (a) Acintobacter, (b) Acromobacter y (c) consorcio de Acintobacter y Acromobacter.

De acuerdo con la Fig. 4, la correlación entre los datos reales y los datos predichos por ANN (R2) en Acromobacter, Acintobacter y Consortium de ambos cultivos fue de 0.50, 0.47 y 0.63, respectivamente. Aunque no hubo una alta correlación entre los datos reales y el pronóstico de ANN, el pronóstico fue mayor para el consorcio. De acuerdo con estos resultados, ANN tenía una mayor capacidad para predecir la eliminación de hexadecano utilizando el consorcio Acromobacter y Acinetobacter. Estudios previos también indicaron resultados similares38,39.

El coeficiente de correlación de ANN predicho frente a los datos reales. (a) Acintobacter, (b) Acromobacter y (c) consorcio de Acintobacter y Acromobacter.

Como la concentración de contaminantes cambia continuamente en el ambiente ambiental, el efecto sinérgico tanto del tiempo de exposición como de la concentración inicial de hexadecano en la eficiencia de eliminación (datos reales) predicha por el modelo de regresión (Fig. 5). Además, para comparar las condiciones predichas por ANN, las concentraciones obtenidas de ANN se muestran en la Fig. 4.

El efecto del tiempo de exposición y la concentración inicial de hexano en el proceso de eliminación de hexano. (a) la presencia de nutriente, (b) la presencia de sal microbiana, (c) la presencia de semilla y d) la presencia de purín, mediante el software Excel versión 2013.

Como se muestra en la Fig. 6, la tasa máxima de remoción de N-hexadecano ocurrió a una concentración baja (30 g/kg) con un tiempo de exposición de 80 días. De acuerdo con la Tabla 6, considerando los factores que afectan el crecimiento de las bacterias del consorcio, el porcentaje de remoción de hexadecano en presencia de diferentes concentraciones de nutrientes ha seguido la ecuación de primer orden. Esto se debe a que el compuesto tiene una estructura lineal y su tasa de mineralización depende de la biodisponibilidad29.

El efecto del tiempo de exposición y la concentración inicial de hexano en el porcentaje de eliminación de hexano mediante el modelado ANN. (a) la presencia de nutriente, (b) la presencia de sal microbiana, (c) la presencia de semilla y d) la presencia de purín, mediante el software Excel versión 2013.

Mientras que en presencia de diferentes concentraciones de sal, semillas y purines; encajó con el cuadrado de la concentración de hexadecano y el cubo del tiempo de exposición. Mientras que los valores predichos por ANN muestran que el porcentaje de remoción en presencia de diferentes concentraciones de nutrientes y sal, es mejor predicho por la regresión polinomial de primer orden. Sin embargo, en presencia de diferentes concentraciones de semilla y purín, la regresión cuadrática proporcionó el mejor ajuste, como se ve en la Tabla 6.

En datos reales, los cambios en las concentraciones de micronutrientes se han asociado linealmente con la disminución de las concentraciones de hexadecano y el aumento del tiempo de exposición. Mientras que para la sal, las semillas y los purines solo se optimiza el porcentaje de eliminación durante un tiempo de reacción largo y concentraciones extremadamente bajas. En términos de evaluaciones de costo-beneficio, estas condiciones no son apropiadas.

Por lo tanto, es mejor lograr las condiciones deseadas en estudios o descontaminación microbiana cambiando la concentración de micronutrientes a costos más bajos. Mientras tanto, la red neuronal artificial predice condiciones de nutrientes similares para la sal. Parece que se necesitan más estudios sobre el parámetro de sal para determinar la validez de la red neuronal.

En la modelación realizada por ANN, el mejor modelo se obtuvo por efecto simultáneo de purín y sal con el modelo de regresión polinomial (SSE: 338,7, R-square: 0,8757, Adjusted R-square: 0,8665, RMSE: 3,542). Esto se debió a que ambos parámetros en la deleción real de hexadecano tuvieron menor correlación con el modelo de regresión polinómica (SSE: 2363, R-cuadrado: 0,4551, R-cuadrado ajustado: 0,3415, RMSE: 9,923) Figura 4.

Por otro lado, el modelo más adecuado en términos de remoción real se relacionó con el efecto simultáneo de lodo y tiempo usando la superficie de respuesta (SSE: 1915, R-square: 0.5584, Adjusted R-square: 0.4664, RMSE: 8.933 ) (Cuadro 6). Sin embargo, según Gosai et al. la red neuronal se desempeñó mejor que el modelo lineal en la predicción de la eliminación de PAH40. Esto se debió a que el hexadecano tiene una estructura lineal, por lo que los modelos lineales los predicen mejor.

En este estudio, Acromobacter, Acinetobacter y su consorcio modelaron la eliminación de N-hexadecano del suelo mediante la red neuronal. Posteriormente, se investigó el efecto de los parámetros funcionales sobre la eliminación biológica mediante modelos de regresión lineal. Los resultados del modelo mostraron que la red neuronal artificial tenía una mayor capacidad para predecir la eliminación biológica de N-hexadecano del suelo utilizando la población microbiana de Acromobacter. De modo que se obtuvo un mayor coeficiente de correlación que no hubo sobreajuste hasta la quinta época. Además, el mayor número de neuronas en la capa reticular indicó que había relaciones no lineales más complejas para la predicción de la biodegradación del hexadecano utilizando Acromobater que Acintobacter. Por otro lado, tanto en los datos reales como en la predicción de la red neuronal, la eliminación de N-hexadecano se asoció con la concentración nutricional de primer grado, mientras que se asoció con la regresión de semillas y purines de segundo grado. Sin embargo, se han obtenido resultados diferentes con respecto al tiempo y la concentración de sal, lo que sugiere que se deben realizar más estudios en este campo. Además, solo se optimiza el porcentaje de eliminación durante una vida útil prolongada y bajas concentraciones de sal, semillas y pulpa, lo que no es adecuado para las evaluaciones de costo-beneficio.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado [y sus archivos de información complementarios].

Shokouhian, M. & Moradi, MJ Biorremediación de suelos contaminados con combustible diesel utilizando estiércol de vaca. J. Ferdowsi Ing. Civil. 24(2), 14 (2014).

Google Académico

Gallego, JL et al. Biorremediación de suelos contaminados con diésel: evaluación de posibles técnicas in situ mediante el estudio de la degradación bacteriana. Biodegradación 12(5), 325–335 (2001).

Artículo CAS PubMed Google Académico

Bouchez Naitali, M. et al. Diversidad de cepas bacterianas que degradan el hexadecano en relación con el modo de absorción del sustrato. Aplicación J. Microbiol. 86(3), 421–428 (1999).

Artículo PubMed Google Académico

Östberg, TL et al. Los efectos de las fuentes de carbono y los micronutrientes en el suero fermentado sobre la biodegradación de n-hexadecano en suelos contaminados con combustible diesel. En t. Biodeterioro. Biodegradación 60(4), 334–341 (2007).

Artículo Google Académico

Nozari, M., Samaei, MR y Dehghani, M. El efecto del cometabolismo en la eliminación de hexadecano por un consorcio microbiano del suelo en un reactor por lotes de secuenciación de lodos. J. Ciencias de la Salud. Vigilancia sist. 2(3), 113–124 (2014).

Google Académico

Volke-Sepulveda, T., Gutiérrez-Rojas, M. & Favela-Torres, E. Biodegradación de hexadecano en fermentaciones en estado líquido y sólido por Aspergillus niger. Biores. Tecnología 87(1), 81–86 (2003).

Artículo CAS Google Académico

Loehr, RC & Webster, MT Disminución de la liberación de HAP de los suelos como resultado de la biorremediación de campo. Practica Período. Gestión de Residuos Radiactivos Tóxicos Peligrosos 4(3), 118–125 (2000).

Artículo CAS Google Académico

Kiamarsi, Z., et al., Evaluación de la eliminación biológica del petróleo crudo por el pasto vetiver (Vetiveria zizanioides L.) en interacción con un consorcio bacteriano expuesto a suelos artificiales contaminados. En t. J. Phytoremed. pag. 1–10 (2021).

Zghair, FS & Jebar, MS Bioeliminación de plomo por algunos hongos aislados del suelo. Arco de plantas. 20, 6806–6808 (2020).

Google Académico

Setti, L. et al. Investigaciones adicionales sobre la degradación aeróbica de n-alcanos en un aceite pesado mediante un cultivo puro de Pseudomonas sp. Chemosphere 26(6), 1151–1157 (1993).

Artículo ADS CAS Google Académico

Younus, RM, Aziz, EMT & Mohammed, DA Degradación de sustancias hidrocarbonadas por algunas especies bacterianas aisladas de suelos contaminados con aceite de motor. EurAsian J. BioSci. 14(1), 1087–1095 (2020).

CAS Google Académico

Bidoia, E., Montagnolli, R. & Lopes, P. Potencial de biodegradación microbiana de hidrocarburos evaluado por técnica colorimétrica: un estudio de caso. aplicación Microbiol. Biotecnología. 7, 1277–1288 (2010).

Google Académico

Robles-González, IV, Fava, F. & Poggi-Varaldo, HM Una revisión sobre biorreactores de lodos para la biorremediación de suelos y sedimentos. Microbio. Hecho celular. 7(1), 1–16 (2008).

Artículo Google Académico

Fava, F., Di Gioia, D. & Marchetti, L. Papel de la configuración del reactor en la desintoxicación biológica de un suelo contaminado con policlorobifenilo en un vertedero en condiciones de fase de lodo a escala de laboratorio. aplicación Microbiol. Biotecnología. 53(2), 243–248 (2000).

Artículo CAS PubMed Google Académico

Wang, B. et al. Un enfoque basado en el análisis probabilístico de componentes principales en el monitoreo de procesos y diagnóstico de fallas con aplicación en plantas de tratamiento de aguas residuales. aplicación Cómputo suave. 82, 105527 (2019).

Artículo Google Académico

Cui, F. et al. Aplicación del análisis de componentes principales (PCA) a la evaluación de correlaciones de parámetros en el proceso de nitrificación parcial utilizando fangos aerobios granulares. J. Medio Ambiente. Administrar. 288, 112408 (2021).

Artículo CAS PubMed Google Académico

Beigzadeh, B. et al. Un nuevo enfoque en el modelado de adsorción utilizando regresión de bosque aleatorio, regresión lineal múltiple bayesiana y regresión lineal múltiple: adsorción 2, 4-D por un adsorbente verde. ciencia del agua Tecnología 82(8), 1586–1602 (2020).

Artículo CAS PubMed Google Académico

Zhou, P. et al. Un modelo de bosque aleatorio para la predicción de caudales en plantas de tratamiento de aguas residuales. Stoch. Env. Res. Evaluación de riesgos. 33(10), 1781–1792 (2019).

Artículo Google Académico

Mateo Pérez, V. et al. Un modelo de bosque aleatorio para la predicción del contenido de FOG en las aguas residuales de entrada de las EDAR urbanas. Agua 13(9), 1237 (2021).

Artículo Google Académico

Sakiewicz, P. et al. Enfoque innovador de redes neuronales artificiales para el modelado de sistemas integrados de tratamiento de aguas residuales y biogás: efecto de los parámetros operativos de la planta en la intensificación del proceso. Renovar. Sostener. Energía Rev. 124, 109784 (2020).

Artículo CAS Google Académico

Bekkari, N. y Zeddouri, A. Uso de redes neuronales artificiales para predecir y controlar la demanda de oxígeno químico de efluentes en plantas de tratamiento de aguas residuales. Administrar Reinar. Cal. En t. J. (2018).

Samadi-Maybodi, A. & Nikou, M. Eliminación de sarafloxacina de una solución acuosa mediante un marco orgánico de metal magnetizado; Modelado de redes neuronales artificiales. Poliedro 179, 114342 (2020).

Artículo CAS Google Académico

Annadurai, G. & Lee, J.-F. Aplicación del modelo de red neuronal artificial para el desarrollo de un medio complejo optimizado para la degradación de fenoles utilizando Pseudomonas pictorum (NICM 2074). Biodegradación 18(3), 383–392 (2007).

Artículo CAS PubMed Google Académico

Olawoyin, R. Aplicación del modelo de predicción de redes neuronales artificiales de retropropagación para la biorremediación de HAP de suelos contaminados. Chemosphere 161, 145–150 (2016).

Artículo ADS CAS PubMed Google Scholar

Kabuba, J., El uso de redes neuronales para el modelado de lodos activados residuales para la solubilización y mejora de la biodegradabilidad mediante el proceso de ozonólisis. Bioquímica Ing. J. 84. (2014)

Ram Talib, NS, et al., Redes neuronales artificiales (ANN) y enfoque de metodología de superficie de respuesta (RSM) para modelar la optimización de la reducción de cromo (VI) mediante la cepa NS-MIE de Acinetobacter radiorresistente recientemente aislada del suelo agrícola. Res. biomédica. En t. (2019).

Sahoo, P. Rendimiento tribológico de recubrimientos de Ni-P electrolíticos. En Ingeniería de materiales y superficies 163–205 (Elsevier, 2012).

Capítulo Google Académico

Mohamed, S. et al. Método de optimización de parámetros de moldeo por inyección para compuestos poliméricos a base de vinilo. En Compuestos de polímero de vinilo y éster de vinilo reforzado con fibra natural 97–108 (Elsevier, 2018).

Capítulo Google Académico

Samaei, MR et al. Aislamiento y modelado cinético de nuevo cultivo a partir de compost con alta capacidad de degradación de n-hexadecano, enfocado en Ochrobactrum oryzae y Paenibacillus lautus. Suelo Sedim. contaminacion En t. J. 29(4), 384–396 (2020).

Artículo CAS Google Académico

Azizi, E. et al. Remoción de 4-clorofenol por biorreactor de lecho empacado air lift y su modelado por cinética y modelo numérico (red neuronal artificial). ciencia Rep. 11(1), 1–10 (2021).

Artículo Google Académico

Blagojev, N. et al. Modelado y evaluación de la eficiencia de la biosorción continua de Cu (II) y Cr (VI) del agua por residuos agrícolas. J. Medio Ambiente. Administrar. 281, 111876 (2021).

Artículo CAS PubMed Google Académico

Shahzadi, I. et al. Tensioactivos catiónicos a base de arginina: Agentes auxiliares biodegradables para la formación de pares de iones hidrofóbicos con fármacos macromoleculares hidrofílicos. J. Interfaz coloidal Sci. 552, 287–294 (2019).

Artículo ADS CAS PubMed Google Scholar

Abbasi, F. et al. La toxicidad de las NP de SiO2 en la proliferación celular y la absorción celular de la línea celular fibroblástica de pulmón humano durante la variación de la temperatura de calcinación y su modelado por red neuronal artificial. J. Medio Ambiente. Ciencias de la Salud Ing. 19(1), 985–995 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Abbasi, F., A. Azhdarpoor y MR Samaei, Modelado cinético de la eliminación de metil terc-butil éter (MTBE) por bacterias aisladas de suelos contaminados. En t. J. Medio Ambiente. Anal. química 1–16 (2020).

Ostertagová, E. Modelización mediante regresión polinomial. Procedia Ing. 48, 500–506 (2012).

Artículo Google Académico

Bao, H. et al. Efectos de la paja de maíz en la disipación de hidrocarburos aromáticos policíclicos y posible aplicación del modelo de predicción de redes neuronales artificiales de retropropagación para la biorremediación de HAP. ecotoxicol. Reinar. seguro 186, 109745 (2019).

Artículo CAS PubMed Google Académico

Barín, R. et al. Rápida biorremediación de suelos contaminados con petróleo por un consorcio de bacterias productoras de biosurfactantes/bioemulsionantes. En t. J. Medio Ambiente. ciencia Tecnología 11(6), 1701–1710 (2014).

Artículo CAS Google Académico

Kumar, KV & Porkodi, K. Modelado de los procesos de adsorción sólido-líquido utilizando redes neuronales artificiales entrenadas por cinética de pseudo segundo orden. química Ing. J. 148(1), 20–25 (2009).

Artículo CAS Google Académico

Khataee, A. et al. Modelado de redes neuronales del biotratamiento de una solución de colorante de trifenilmetano por una macroalga verde. química Ing. Res. Des. 89(2), 172–178 (2011).

Artículo CAS Google Académico

Gosai, HB et al. Bioingeniería para la degradación de múltiples HAP utilizando enfoques centrados en procesos y centrados en datos. Quimio. Intel. Laboratorio. sist. 179, 99–108 (2018).

Artículo CAS Google Académico

Descargar referencias

Los autores desean agradecer al Vicecanciller de Investigación de la Universidad de Ciencias Médicas de Shiraz por apoyar la investigación (Propuesta No).

Departamento de Ingeniería de Salud Ambiental, Escuela de Salud, Universidad de Ciencias Médicas de Shiraz, Shiraz, Irán

Roya Morovati, Fariba Abbasi y Mohammad Reza Samaei

Centro de Investigación de Ciencias de la Salud, Departamento de Ingeniería de Salud Ambiental, Escuela de Salud, Universidad de Ciencias Médicas de Shiraz, Shiraz, Irán

Mohammad Reza Samaei

Licenciatura en Ingeniería (con honores) en Ingeniería Ambiental, Escuela de Ingeniería Civil y Ambiental, Universidad de Nueva Gales del Sur, Sydney, NSW, Australia

Hamid Mehrazmay

Licenciatura en Ingeniería (con honores) en Ingeniería Civil, Escuela de Ingeniería Civil y Ambiental, Universidad de Tecnología de Sydney, Sydney, NSW, Australia

Pero Rasti Lari

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

RM y MRS escriben el artículo F.A. Análisis de datosH.M. y AL editó el artículo.

Correspondencia a Mohammad Reza Samaei.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Morovati, R., Abbasi, F., Samaei, MR et al. Modelado de la biorremediación de n-hexadecano del suelo mediante biorreactores de lodos utilizando el método de redes neuronales artificiales. Informe científico 12, 19662 (2022). https://doi.org/10.1038/s41598-022-21996-6

Descargar cita

Recibido: 29 mayo 2022

Aceptado: 07 de octubre de 2022

Publicado: 16 noviembre 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.