В ЮФУ создали бюджетную технологию очистки почв и поверхностных вод от токсичных элементов на основе ИИ.
Ученые Южного федерального университета уделяют огромное внимание поиску новых решений для агробиобезопасности России. С этой целью на базе университета реализуется проект «Управление почвенными ресурсами и агроклиматология» федеральной программы «Приоритет-2030» ЮФУ. В недавнем исследовании, проведенном сотрудниками Академии биологии и биотехнологии (АБиБ) ЮФУ в сотрудничестве с Университетом Эмити (Индия) под руководством профессора Татьяны Минкиной, ученые нашли решение глобальной экологической проблемы загрязнения воды и почвы красителями и промышленными сточными водами.
При создании нового дешевого биосорбента из биомассы пшеничной соломы ведущий научный сотрудник АБиБ ЮФУ Вишну Раджпут использовал искусственную нейронную сеть (ANN). Проект оказался эффективным и экономически выгодным для удаления токсичных веществ из промышленных сточных вод.
«Цель нашего исследования заключалась в оценке эффективности недорогих потенциальных адсорбентов, полученных из биомассы соломы, на основе биосорбции красителя метиленового. Для оптимизации эффективного удаления красителя было использовано машинное обучение. Разработанный метод показал многообещающие результаты с точки зрения его экономической эффективности, экологичности и потенциальной способности к биологическому разложению токсичных элементов», – рассказал Вишну Раджпут.
Машинное обучение и методы ANN позволили исследователям ЮФУ предсказать эффективность сорбентов без использования других дорогостоящих и времяемких методов. Сочетание методологии поверхностного отклика (Response Surface) с машинным обучением показало, высокую эффективность данного метода — 96% загрязнений остаются на поверхности биомассы пшеничной соломы.
«Методология поверхностного отклика — это основанный на математике и статистике метод для оптимизации процессов и улучшения эффективности адсорбента. С помощью него мы можем построить модель, описывающую связь между входными факторами и выходным результатом процесса: математическое уравнение или трехмерная поверхность. Пользуясь этой моделью, мы определяем оптимальные значения факторов. Например, можем найти такие значения, при которых достигается минимальный ввод и максимальная отдача. Это экономит время и ресурсы, исследуя только несколько комбинаций факторов вместо того, чтобы проверять все возможные варианты», – объяснил Вишну Раджпут.