Modélisation de n

May 11, 2023

Rapports scientifiques volume 12, Numéro d'article : 19662 (2022) Citer cet article

656 accès

Détails des métriques

Le carburant diesel est connu pour être l'un des principaux produits pétroliers qui peuvent polluer l'eau et le sol. La pollution des sols causée par les hydrocarbures pétroliers a eu un impact considérable sur l'environnement, en particulier au Moyen-Orient. Dans cette étude, la modélisation et l'optimisation de l'élimination de l'hexadécane du sol ont été réalisées à l'aide de deux cultures pures d'Acinetobacter et d'Acromobacter et d'une culture en consortium des deux espèces bactériennes à l'aide de la méthode des réseaux de neurones artificiels (ANN). Ensuite, la meilleure structure ANN a été proposée sur la base de l'erreur quadratique moyenne (MSE) ainsi que du coefficient de corrélation (R) pour les cultures pures d'Acinetobacter et d'Acromobacter ainsi que leur consortium. Les résultats ont montré que les corrélations entre les données réelles et les données prédites par ANN (R2) chez Acromobacter, Acinetobacter et le consortium des deux cultures étaient de 0,50, 0,47 et 0,63, respectivement. Malgré la faible corrélation entre les données expérimentales et les données prédites par l'ANN, le coefficient de corrélation et la précision de l'ANN pour le consortium étaient plus élevés. En conséquence, ANN avait une précision souhaitable pour prédire l'élimination de l'hexadécane par la culture de cobsertium d'Ochromobater et d'Acintobacter.

La pollution des sols causée par les hydrocarbures pétroliers est considérée comme une menace majeure pour l'environnement, en particulier dans les pays du Moyen-Orient. Les défaillances des lignes de transmission, les fuites des réservoirs de stockage et les accidents de pétroliers sont quelques exemples de pollution des sols causée par les hydrocarbures pétroliers dans les pays du Moyen-Orient1. Le carburant diesel est un produit pétrolier brut important qui a tendance à polluer le sol et l'eau. Il est produit lors du processus de raffinage du pétrole et se compose de composés aromatiques, d'alcanes naturels et ramifiés2. Parmi les alcanes à chaîne moyenne, l'hexadécane (C16H34) a été étudié comme contaminant modèle par de nombreux chercheurs3,4,5. Ainsi, des approches de traitement pour réduire les effets dangereux de la pollution par l'hexadécane sont nécessaires. L'hexadécane est éliminé du sol et de l'eau par diverses méthodes, telles que des méthodes physiques, thermiques, chimiques et biologiques. Malgré leur faible solubilité dans l'eau, ils sont rapidement dégradés par les micro-organismes6. Les méthodes biologiques sont l'une des méthodes les plus courantes de décomposition et d'élimination de ces substances7,8. En plus de sa simplicité, de sa rentabilité et de sa faisabilité, il est également respectueux de l'environnement. Récemment, les chercheurs ont cherché à optimiser ce processus et à l'utiliser 3,9,10,11. Cependant, les traitements physico-chimiques conventionnels ont des coûts élevés et peuvent générer des résidus toxiques pour le biote12. L'application de processus de bioremédiation à haute efficacité et à faible coût représente un moyen extrêmement important de récupérer des zones contaminées parmi plusieurs autres techniques de nettoyage. Le traitement des sols dans les bioréacteurs à lisier est devenu l'une des principales alternatives pour la bioremédiation des sols contaminés par des poisons persistants dans des conditions naturelles contrôlées13. Les SB sont très souvent pratiques pour déterminer la possibilité et le potentiel réel d'une stratégie biologique dans la réparation finale d'un sol ou d'un site contaminé. En réalité, en conditions de lisier, les taux d'épuisement des poisons dépendent essentiellement de l'action de corruption des micro-organismes accessibles dans le cadre14 et les résultats obtenus reflètent pour l'essentiel le potentiel réel d'épuration naturelle du sol13. La modélisation est un outil important pour la conception et l'exploitation d'un procédé de traitement des eaux usées. Pour modéliser les processus de traitement des eaux usées, divers modèles tels que l'analyse en composantes principales (ACP)15,16, la régression linéaire multiple (MLR)17, la forêt aléatoire (RF)18,19 et les réseaux de neurones artificiels (ANN)20,21 sont mis en œuvre. Parmi ces méthodes, ANN est une méthode puissante pour modéliser des systèmes non linéaires en particulier22.

De nombreux chercheurs ont examiné les effets secondaires des polluants à partir de simples propriétés évaluables du sol. Les modèles de réseaux de neurones artificiels (ANN) ont récemment remplacé la régression linéaire multiple (MLR) dans le développement de simulations de prédiction pour les polluants du sol23. L'amélioration majeure de l'ANN est que les modèles sont formés pour comprendre la relation non linéaire et complexe entre les configurations d'entrée et de sortie et qu'ils ne limitent ni l'espace d'entrée ni celui de sortie24.

L'un des principaux avantages des RNA est leur capacité à détecter les tendances dans les données qui présentent une non-linéarité importante et imprévisible. En tant qu'approche basée sur les données, l'ANN peut capturer les caractéristiques spatiales de la configuration à différentes échelles décrivant les effets linéaires et non linéaires. En raison de sa simplicité dans la simulation, la prévision et la modélisation, il est considéré comme un outil prometteur25.

Les RNA ont été largement utilisés au cours de la dernière décennie dans les prévisions d'élimination des polluants de l'environnement, grâce à leurs caractéristiques fiables, robustes et saillantes des relations non linéaires entre les données d'entrée et de sortie. De nos jours, de nombreux chercheurs étudient ces modèles et déterminent leur capacité à prédire le processus de bioremédiation. La bioremédiation est un processus biologique qui remédie à l'environnement par des processus tels que l'adsorption, la transformation redox et les réactions de précipitation26. En raison de la nature complexe du processus de biodégradation, il est difficile de modéliser et de simuler ces processus par des modèles mathématiques traditionnels. Les réseaux de neurones artificiels (ANN) sont une technique de modélisation prometteuse et puissante puisque les détails mathématiques des phénomènes liés au processus ne sont pas nécessaires.

Dans cette étude, 7 paramètres indépendants (y compris la concentration initiale d'hexadécane, la concentration en micronutriments, le rapport C: N: P, le sel, les graines, le lisier et le temps d'exposition des bactéries au contaminant) ont été étudiés lors de l'élimination de l'hexadécane, et depuis que le les effets et la relation entre les paramètres ne peuvent pas être déterminés avec des relations linéaires. Dans la présente étude, des modèles ANN ont été développés pour prédire l'efficacité d'élimination de l'hexadécane du sol en utilisant deux cultures pures d'Acinetobacter et d'Acromobacter et une culture en consortium des deux espèces bactériennes. , Au final, des équations cinétiques et linéaires ont été utilisées pour vérifier les facteurs sur l'efficacité d'élimination.

Dans cette étude, les données expérimentales utilisées pour l'élimination de l'hexadécane du sol par des bioréacteurs à lisier utilisant une combinaison de bioaugmentation et de biostimulation. L'expérience conçue selon la méthode de Taguchi pour optimiser le taux d'élimination de l'hexadécane dans le sol. Le rapport dépend des caractéristiques de qualité du produit/procédé à optimiser. La méthode de Taguchi utilise les fonctions logarithmiques pour mesurer les rapports signal sur bruit (S/N). Cette technique est un outil puissant et de haute qualité pour la conception de systèmes basés sur des expériences de réseau orthogonal qui organisent le réglage optimal des paramètres de contrôle de processus. De plus, il a été utilisé pour la conception de l'étape d'optimisation et de la sortie pour servir de fonctions objectives pour l'optimisation27. En outre, les processus et produits conçus par cette méthode ne sont pas influencés par des conditions externes28. Par conséquent, le bruit diminuait à mesure que la précision s'améliorait.

Tout d'abord, l'efficacité d'élimination de la méthode biologique par le réacteur à lisier réalisée sur 54 échantillons par Acinetobacter, Acromobacter et consortium mass. Ensuite, il compare aux échantillons de contrôle qu'il y a des bactéries dans le lisier. De plus, les propriétés chimiques des matières premières et des effluents du réacteur estimées comprenaient le pH, le C:N:P, ainsi que la concentration des nutriments, du sel et des graines. Réacteur conçu avec une dimension de 1 litière où le sol propre a été passé à travers un tamis de 2 mm et lavé avec de l'hexane, et séché. Ensuite, il a été dopé avec de l'hexadécane à une concentration de 3000 mg/kg de sol sec. Ensuite, il est bien mélangé complètement et stocké à 50 ° C. Après cela, le sol ensemencé par la masse bactérienne et finalement ajouté au réacteur pour la bioremédiation29. Le schéma de ce réacteur a été montré à la Fig. 1.

Le schéma de ce réacteur.

Le pH de tous les bioréacteurs a été ajusté entre 7,4 et 7,8. Il convient de noter que toutes les expériences de cette étude ont été menées en triple exemplaire. L'hexadécane résiduel a été analysé par GC-FID (Varian CP-3800, Palo Alto, CA, USA) après 20, 50 et 80 jours.

Dans cette étude, le taux d'élimination de l'hexadécane du sol a été étudié à l'aide de deux cultures pures d'Acinetobacter, d'Acromobacter et d'une culture en consortium des deux espèces bactériennes. Toutes les bactéries cultivées en masse dans un milieu de sels minéraux (MSM) et des oligo-éléments comprenaient 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) et MnCl2.4H2O (0,01 g/L). Les MSM soutenus par des micronutriments comprenaient MnCl2.4H2O (40 mg/L), MoO3 (80 mg/L), CuSO4 (6 mg/L), ZnSO4 (60 mg/L) et H3BO3 (0,03 mg/L). De plus, les variables effectives de l'expérience ont également été étudiées. Ces variables comprennent la concentration initiale d'hexadécane, la concentration en micronutriments, le rapport C: N: P, le sel (NaCl = 0–1%), les graines (bactéries actives = 3–10% V bouillon nutritif avec bactéries actives au volume du bioréacteur), le lisier (rapport sol/eau) et le temps d'exposition des bactéries au contaminant.

Le nombre total d'expériences pour chaque culture était de 30 essais. La plage de chaque paramètre est donnée dans le tableau 1.

ANN est une méthode de modélisation puissante pour déterminer la relation non linéaire entre les variables30. Cette étude a été réalisée par rétropropagation en aval et Levenberg-Marquardt en utilisant MATLAB 201831,32. Dans le réseau de neurones, il existe plusieurs couches d'entrée, cachées et de sortie. Le nombre de neurones dans chaque couche cachée est très important dans la base de données de réponse. L'hexadécane a été prédit à l'aide de deux perceptrons multicouches (MLP). Les fonctions de transfert sigmoïde et linéaire ont été utilisées respectivement pour les couches cachées et de sortie. Les entrées du modèle comprenaient le temps de réaction, la concentration initiale d'hexadécane, la concentration de sel, la concentration de micronutriments appliqués, le taux d'ensemencement du réacteur, le pourcentage de boue et le rapport carbone/azote/phosphore. De plus, le poids attribué déterminait la relation entre les couches.

Initialement, le réseau a été formé avec des données de laboratoire sur la viabilité cellulaire, dont 70 %, 15 % et 15 % des données ont été utilisées pour la formation, la validation et les tests, respectivement. Ensuite, le poids et le biais ont été déterminés en fonction de la formation du réseau pour surveiller le niveau de validation des erreurs. Sous réserve d'une augmentation de l'erreur de validation due à une répétition spécifique, l'apprentissage du réseau a été arrêté pour éviter le surajustement. Par conséquent, cela empêche un ajustement excessif lorsque l'erreur de validation augmente avec une époque spécifique.

En raison de l'importance et de la précision de l'erreur quadratique moyenne (MSE) et du coefficient de corrélation (R), la meilleure structure ANN a été sélectionnée en fonction de MSE et R obtenus par le nombre de neurones dans la couche cachée. Par conséquent, le pourcentage d'élimination de l'hexadécane a été prédit par des cultures pures d'Acinetobacter et d'Acromobacter ainsi que par leur consortium.

Le nombre de neurones dans la couche cachée est déterminé en fonction de la plage de chevauchement des deux équations. 1 et 233.

i = nombre d'entrées, o = le nombre de sorties et n = nombre de neurones de la couche cachée.

Selon cette étude, des statistiques descriptives telles que la moyenne, l'écart type, le pourcentage et le coefficient de variation ont été utilisées pour indiquer la concentration et l'efficacité d'élimination de l'hexadécane à l'aide de la méthode de biostimulation. De plus, des statistiques analytiques, y compris le test t, ont été utilisées pour comparer le taux d'élimination de l'hexadécane par différentes espèces bactériennes dans diverses conditions. Le niveau de signification a été considéré comme 0,05. Des modèles linéaires et non linéaires, ayant des degrés et des poids différents, ont été utilisés pour déterminer l'effet de différentes variables sur l'élimination de l'hexadécane et la relation entre elles. Enfin, parmi les modèles étudiés inclus Polynominal, interpolant cubique, modèle général, Gussien, interpolant spline et régression quadratique, le meilleur modèle a été sélectionné sur la base du coefficient de corrélation (R2) et de la somme des erreurs des carrés (RMSE). Dans cette étude, le logiciel MATLAB version 2018 a été utilisé pour la modélisation et le logiciel Excel version 2013 a été utilisé pour les graphiques.

L'efficacité d'élimination de l'hexadécane à l'aide d'un réacteur à lisier par des espèces bactériennes, notamment Acromobacter, Acinetobacter et leur consortium, est indiquée dans le tableau 4. L'élimination moyenne de l'hexadécane par Acinetobacter, Acromobacter et le consortium des deux espèces était de 26,9 ± 9,9, 27,86 ± 11,98 et 27,94 ± 12,22 mg/L, respectivement. Selon le tableau 4, l'élimination maximale par Acinetobacter était de 46,7 % après 80 jours d'exposition. Dans ces conditions, la concentration des nutriments, du sel, de l'inoculation, du rapport C : N : P et du pourcentage de lisier à 2,5, 0,5, 10, 4,17 et 5 %, respectivement. En outre, l'élimination maximale in vitro d'Acromobacter était de 59,2 %, ce qui, à la concentration initiale de 30 mg/L, un micronutriment égal à 2,5 %, une teneur en lisier et en graines égale à 20 et 2,5 % respectivement, et un rapport carbone/azote de 4,17 sans sel est obtenu. Le pourcentage maximal d'élimination par consortium bactérien, ayant une concentration de 50 mg/l, a donné les pourcentages suivants : 2,5 % de micronutriments, 1 % de sel, 2,5 % de graines et 5 % de lisier. De plus, un rapport carbone sur azote de 4,17 a été obtenu sur une période de 50 jours. Parce que la minéralisation des composés pétroliers a été réalisée par des cultures en consortium à des concentrations plus élevées. Ainsi, les métabolites d'une espèce sont utilisés comme substrat pour d'autres espèces34. Dans cette condition, l'effet inhibiteur des métabolites et des concentrations élevées de substrat initial a été réduit.

Un autre concept étudié dans ce document de recherche était la capacité des réseaux neuronaux à prédire l'élimination de l'hexadécane à l'aide d'Acinetobacter, d'Acromobacter et de bactéries du consortium des deux espèces bactériennes. Ils ont été étudiés séparément à l'aide de plusieurs algorithmes auxquels les meilleurs résultats ont été associés à levenberg-marque (tableau 2).

Sur la base du tableau 2, les meilleurs résultats associés à Levenberg-Marquardt exprimés dans l'article.

Ensuite, les résultats de cet algorithme avec un certain nombre de neurones différents dans la couche cachée ont été estimés. Sur la base de la plage de chevauchement des équations. (1) et (2) et selon le nombre de variables d'entrée et de sortie, 6 à 16 neurones ont été placés dans la couche cachée. Sur la base du taux de MSE et du coefficient de corrélation, le meilleur modèle a été sélectionné. Le tracé du meilleur modèle pour toutes les cultures bactériennes et ses résultats sont présentés à la Fig. 2 et au Tableau 3.

Le tracé de la structure optimale d'ANN. (a) Acintobacter, (b) Acromobacter et (c) consortium.

Selon le tableau 3, la meilleure topologie ANN pour prédire l'élimination des hexadécanes pour Acromobacter, Acinetobacter et leur consortium était de 7 : 9 : 1, 7 : 7 : 1 et 7 : 8 : 1, respectivement. De plus, selon la Fig. 1, l'erreur ANN minimale pour prédire le pourcentage d'élimination pour les trois cultivars : Acinetobacter, Acromobacter et consortium était de 40,5, 32,9 et 9,4, aux époques 1, 5 et 4 respectivement. Malgré cela, l'augmentation du taux d'erreur de validation était telle que pour les trois cultures, l'algorithme a été arrêté aux itérations 7, 11 et 10, respectivement. En outre, Rall (le coefficient de régression total de la structure ANN) pour l'élimination de l'hexadécane par Acromobacter, Acinetobacter et leur consortium était de 0,75, 0,89 et 0,89, respectivement. Comme le R pour tous était supérieur à 0,75, la prédiction en utilisant ce modèle était bonne35. Dans d'autres études, Rall pour l'élimination des HAP était supérieur à 0,9 en utilisant ANN24,36. Selon ces résultats, l'ANN a une forte tendance à prédire l'élimination de l'hexadécane en utilisant des espèces d'Acromobacter. Le tableau 3 montre l'élimination moyenne du N-hexadécane par les trois cultures dans les données réelles et les valeurs prédites par ANN.

Selon le tableau 4, l'élimination moyenne de l'hexadécane par consortium, Acinetobacter et Acromobacter était de 26,9 %, 27,86 % et 27,92 %, respectivement. De plus, la meilleure efficacité d'élimination pour toute culture dans des données réelles a été exprimée dans le tableau 5. Comme on s'attend à ce que dans les cultures de consortium avec la production de plus de surfactants, plus de liaison ester se forme entre l'hexadécane et les biosurfactants, ce qui est efficace pour réduire la toxicité et augmentation de la bioremédiation32,37. L'élimination moyenne prédite dans les ANN par le consortium, Acinetobacter et Acromobacter était de 26,94, 28,9 et 27,66 %, respectivement. L'écart type et le coefficient de variation prédits dans ANN étaient inférieurs aux données réelles.

Selon le tableau 5, le pourcentage d'élimination de l'hexadécane par Acinetobacter variait entre 6 % et 46 %, tandis que l'ANN prévoyait une plage d'élimination de 9 à 39 %. De plus, les pourcentages les plus bas et les plus élevés d'élimination de l'hexadécane par Acinetobacter se sont produits respectivement dans les 5e et 26e passages, alors qu'ils étaient liés aux passages 4 et 39 par ANN. Bien que dans les conditions réelles, le taux d'élimination maximal d'Acinetobacter était conforme à l'ANN, la plage de modifications de l'ANN dans le consortium était plus conforme aux conditions réelles. Dans d'autres études, il a été prédit que des populations microbiennes avec des structures 4-9-1 et 3-25-1 étaient utilisées pour l'élimination du toluène et du trichloroéthylène. Par conséquent, les résultats de cette étude ont été confirmés par des études antérieures30,31.

Les valeurs de corrélation prédites par ANN et les données réelles pour les trois cultures sont présentées à la Fig. 3.

Les performances d'ANN. (a) Acintobacter, (b) Acromobacter et (c) consortium d'Acintobacter et d'Acromobacter.

Selon la figure 4, la corrélation entre les données réelles et les données prédites par ANN (R2) chez Acromobacter, Acintobacter et Consortium des deux cultures était de 0, 50, 0, 47 et 0, 63, respectivement. Bien qu'il n'y ait pas eu de corrélation élevée entre les données réelles et les prévisions ANN, les prévisions étaient plus élevées pour le consortium. Selon ces résultats, ANN avait une plus grande capacité à prédire l'élimination de l'hexadécane en utilisant le consortium Acromobacter et Acinetobacter. Des résultats similaires ont également été indiqués par des études antérieures38,39.

Le coefficient de corrélation de l'ANN prédit par rapport aux données réelles. (a) Acintobacter, (b) Acromobacter et (c) consortium d'Acintobacter et d'Acromobacter.

Comme la concentration de polluants change continuellement dans l'environnement ambiant, l'effet synergique à la fois du temps d'exposition et de la concentration initiale d'hexadécane sur l'efficacité d'élimination (données réelles) prédit par le modèle de régression (Fig. 5). De plus, pour comparer les conditions prédites par ANN, les concentrations obtenues à partir d'ANN sont présentées à la Fig. 4.

L'effet du temps d'exposition et de la concentration initiale d'hexane sur l'élimination de l'hexane perxent. (a) la présence de nutriment, (b) la présence de sel microbien, (c) la présence de graines et d) la présence de lisier, par le logiciel Excel version 2013.

Comme le montre la figure 6, le taux d'élimination maximal du N-hexadécane s'est produit à une faible concentration (30 g / kg) avec une durée d'exposition de 80 jours. Selon le tableau 6, compte tenu des facteurs affectant la croissance des bactéries du consortium, le pourcentage d'élimination de l'hexadécane en présence de différentes concentrations de nutriments a suivi l'équation du premier ordre. En effet, le composé a une structure linéaire et son taux de minéralisation dépend de sa biodisponibilité29.

L'effet du temps d'exposition et de la concentration initiale d'hexane sur l'élimination de l'hexane perxent par la modélisation ANN. (a) la présence de nutriment, (b) la présence de sel microbien, (c) la présence de graines et d) la présence de lisier, par le logiciel Excel version 2013.

En présence de différentes concentrations de sel, de graines et de lisier ; il correspondait au carré de la concentration d'hexadécane et au cube du temps d'exposition. Alors que les valeurs prédites par ANN montrent que le pourcentage d'élimination en présence de différentes concentrations de nutriments et de sel, il est mieux prédit par la régression polynomiale du premier ordre. Cependant, en présence de différentes concentrations de graines et de lisier, le meilleur ajustement a été fourni avec une régression quadratique, comme le montre le tableau 6.

Dans les données réelles, les changements dans les concentrations de micronutriments ont été linéairement associés à la diminution des concentrations d'hexadécane et à l'augmentation du temps d'exposition. Alors que pour le sel, les graines et le lisier, seul le pourcentage d'élimination est optimisé pendant un long temps de réaction et des concentrations extrêmement faibles. En termes d'évaluations coûts-avantages, ces conditions ne sont pas appropriées.

Ainsi, il est préférable d'atteindre les conditions souhaitées dans les études ou la décontamination microbienne en modifiant la concentration des micronutriments à moindre coût. Pendant ce temps, le réseau de neurones artificiels prédit des conditions nutritionnelles similaires pour le sel. Il semble que d'autres études sur le paramètre du sel soient nécessaires pour déterminer la validité du réseau de neurones.

Dans la modélisation menée par ANN, le meilleur modèle a été obtenu par l'effet simultané du lisier et du sel avec le modèle de régression polynomiale (SSE : 338,7, R-carré : 0,8757, R-carré ajusté : 0,8665, RMSE : 3,542). Cela était dû au fait que les deux paramètres de la suppression réelle de l'hexadécane avaient moins de corrélation avec le modèle de régression polynomiale (SSE : 2363, R-carré : 0,4551, R-carré ajusté : 0,3415, RMSE : 9,923) Figure 4.

En revanche, le modèle le mieux adapté en termes d'enlèvement réel était lié à l'effet simultané du lisier et du temps en utilisant la surface de réponse (SSE : 1915, R-carré : 0,5584, R-carré ajusté : 0,4664, RMSE : 8,933 ) (tableau 6). Cependant, selon Gosai et al. le réseau de neurones a obtenu de meilleurs résultats que le modèle linéaire pour prédire l'élimination des HAP40. Cela était dû au fait que l'hexadécane avait une structure linéaire, de sorte qu'ils sont mieux prédits par les modèles linéaires.

Dans cette étude, l'élimination du N-hexadécane du sol a été modélisée par Acromobacter, Acinetobacter et leur consortium dans le réacteur à lisier par le réseau neuronal. Par la suite, l'effet des paramètres fonctionnels sur l'élimination biologique a été étudié à l'aide de modèles de régression linéaire. Les résultats de la modélisation ont montré que le réseau de neurones artificiels avait une plus grande capacité à prédire l'élimination biologique du N-hexadécane du sol en utilisant la population microbienne d'Acromobacter. Pour qu'un coefficient de corrélation plus élevé ait été obtenu, il n'y a pas eu de surajustement jusqu'à la cinquième époque. De plus, le plus grand nombre de neurones dans la couche de réseau a indiqué qu'il y avait des relations non linéaires plus complexes pour la prédiction de la biodégradation de l'hexadécane à l'aide d'Acromobater qu'Acintobacter. D'autre part, dans les données réelles et la prédiction du réseau de neurones, l'élimination du N-hexadécane était associée à une concentration nutritionnelle au premier degré alors qu'elle était associée à une régression des graines et du lisier au deuxième degré. Cependant, différents résultats ont été obtenus concernant le temps et la concentration en sel, suggérant que davantage d'études devraient être menées dans ce domaine. De plus, seul le pourcentage d'élimination est optimisé pendant une durée de conservation prolongée et de faibles concentrations de sel, de graines et de lisier, ce qui ne convient pas aux évaluations coûts-avantages.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié [et ses fichiers d'informations supplémentaires].

Shokouhian, M. & Moradi, MJ Bioremédiation des sols contaminés par le carburant diesel à l'aide de fumier de vache. J. Ferdowsi Ing. civil. 24(2), 14 (2014).

Google Scholar

Gallego, JL et al. Bioremédiation des sols contaminés par le diesel : évaluation des techniques potentielles in situ par l'étude de la dégradation bactérienne. Biodégradation 12(5), 325–335 (2001).

Article CAS PubMed Google Scholar

Bouchez Naïtali, M. et al. Diversité des souches bactériennes dégradant l'hexadécane en fonction du mode d'absorption du substrat. J. Appl. Microbiol. 86(3), 421–428 (1999).

Article PubMed Google Scholar

Östberg, TL et al. Les effets des sources de carbone et des micronutriments dans le lactosérum fermenté sur la biodégradation du n-hexadécane dans un sol contaminé par du carburant diesel. Int. Biodétérioration. Biodégradation 60(4), 334–341 (2007).

Article Google Scholar

Nozari, M., Samaei, MR & Dehghani, M. L'effet du co-métabolisme sur l'élimination de l'hexadécane par un consortium microbien du sol dans un réacteur discontinu de séquençage à lisier. J. Health Sci. Surveillance Syst. 2(3), 113-124 (2014).

Google Scholar

Volke-Sepulveda, T., Gutiérrez-Rojas, M. & Favela-Torres, E. Biodégradation de l'hexadécane dans les fermentations à l'état liquide et solide par Aspergillus niger. Biorès. Technol. 87(1), 81–86 (2003).

Article CAS Google Scholar

Loehr, RC & Webster, MT Diminution des rejets de HAP des sols à la suite de la bioremédiation sur le terrain. Pratique. Période. Gestion des déchets radioactifs toxiques dangereux 4(3), 118-125 (2000).

Article CAS Google Scholar

Kiamarsi, Z., et al., Évaluation de la bio-élimination du pétrole brut par le vétiver (Vetiveria zizanioides L.) en interaction avec un consortium bactérien exposé à des sols artificiels contaminés. Int. J. Phytoremed. p. 1–10 (2021).

Zghair, FS & Jebar, MS Bioélimination du plomb par certains champignons isolés du sol. Arche végétale. 20, 6806–6808 (2020).

Google Scholar

Setti, L. et al. Des recherches plus approfondies sur la dégradation aérobie des n-alcanes dans une huile lourde par une culture pure d'un Pseudomonas sp. Chemosphere 26(6), 1151-1157 (1993).

Article ADS CAS Google Scholar

Younus, RM, Aziz, EMT & Mohammed, DA Dégradation de substances hydrocarbonées par certaines espèces bactériennes isolées de sols contaminés par de l'huile de moteur. EurAsian J. BioSci. 14(1), 1087-1095 (2020).

CAS Google Scholar

Bidoia, E., Montagnolli, R. & Lopes, P. Potentiel de biodégradation microbienne des hydrocarbures évalué par technique colorimétrique : une étude de cas. Appl. Microbiol. Biotechnol. 7, 1277-1288 (2010).

Google Scholar

Robles-González, IV, Fava, F. & Poggi-Varaldo, HM Un examen des bioréacteurs à lisier pour la bioremédiation des sols et des sédiments. Microb. Fait cellulaire. 7(1), 1–16 (2008).

Article Google Scholar

Fava, F., Di Gioia, D. & Marchetti, L. Rôle de la configuration du réacteur dans la détoxification biologique d'un sol contaminé par un dépotoir et des polychlorobiphényles dans des conditions de phase de boue à l'échelle du laboratoire. Appl. Microbiol. Biotechnol. 53(2), 243–248 (2000).

Article CAS PubMed Google Scholar

Wang, B. et al. Une approche probabiliste basée sur l'analyse en composantes principales dans la surveillance des processus et le diagnostic des défauts avec application dans les stations d'épuration des eaux usées. Appl. Calcul doux. 82, 105527 (2019).

Article Google Scholar

Cui, F. et al. Application de l'analyse en composantes principales (ACP) à l'évaluation des corrélations des paramètres dans le procédé de nitrification partielle utilisant des boues granulaires aérobies. J. Environ. Gérer. 288, 112408 (2021).

Article CAS PubMed Google Scholar

Beigzadeh, B. et al. Une nouvelle approche dans la modélisation de l'adsorption utilisant la régression forestière aléatoire, la régression linéaire multiple bayésienne et la régression linéaire multiple : adsorption 2, 4-D par un adsorbant vert. Sci de l'eau. Technol. 82(8), 1586-1602 (2020).

Article CAS PubMed Google Scholar

Zhou, P. et al. Un modèle de forêt aléatoire pour la prédiction de l'afflux dans les usines de traitement des eaux usées. Stoch. Env. Rés. Évaluer les risques. 33(10), 1781–1792 (2019).

Article Google Scholar

Mateo Pérez, V. et al. Un modèle forestier aléatoire pour la prédiction de la teneur en FOG dans les eaux usées d'entrée des stations d'épuration urbaines. Eau 13(9), 1237 (2021).

Article Google Scholar

Sakiewicz, P. et al. Approche innovante de réseaux de neurones artificiels pour la modélisation d'un système intégré de traitement des eaux usées et du biogaz : effet des paramètres de fonctionnement de l'usine sur l'intensification des procédés. Renouveler. Soutenir. Énergie Rev. 124, 109784 (2020).

Article CAS Google Scholar

Bekkari, N., & Zeddouri, A. Utilisation d'un réseau de neurones artificiels pour prédire et contrôler la demande chimique en oxygène des effluents dans les stations d'épuration. Géré. Environ. Qual. Int. J. (2018).

Samadi-Maybodi, A. & Nikou, M. Élimination de la sarafloxacine d'une solution aqueuse par une structure métallo-organique magnétisée ; modélisation de réseaux de neurones artificiels. Polyèdre 179, 114342 (2020).

Article CAS Google Scholar

Annadurai, G. & Lee, J.-F. Application du modèle de réseau de neurones artificiels pour le développement d'un milieu complexe optimisé pour la dégradation du phénol à l'aide de Pseudomonas pictorum (NICM 2074). Biodégradation 18(3), 383–392 (2007).

Article CAS PubMed Google Scholar

Olawoyin, R. Application du modèle de prédiction du réseau neuronal artificiel de rétropropagation pour la bioremédiation des sols pollués par les HAP. Chimiosphère 161, 145-150 (2016).

Article ADS CAS PubMed Google Scholar

Kabuba, J., L'utilisation d'un réseau de neurones pour la modélisation des déchets de boues activées pour la solubilisation et l'amélioration de la biodégradabilité à l'aide du processus d'ozonolyse. Biochimie. Ing. J. 84. (2014)

Ram Talib, NS, et al., Approche des réseaux de neurones artificiels (ANN) et de la méthodologie de surface de réponse (RSM) pour la modélisation de l'optimisation de la réduction du chrome (VI) par la souche NS-MIE d'Acinetobacter radioresistens nouvellement isolée du sol agricole. BioMed Res. Int. (2019).

Sahoo, P. Performances tribologiques des revêtements Ni-P autocatalytiques. In Engineering des matériaux et des surfaces 163–205 (Elsevier, 2012).

Chapitre Google Scholar

Mohamed, S. et al. Méthode d'optimisation des paramètres de moulage par injection pour les composites polymères à base de vinyle. Dans Natural Fibre Reinforced Vinyl Ester and Vinyl Polymer Composites 97–108 (Elsevier, 2018).

Chapitre Google Scholar

Samaei, MR et al. Isolement et modélisation cinétique d'une nouvelle culture à partir de compost à haute capacité de dégradation du n-hexadécane, focalisée sur Ochrobactrum oryzae et Paenibacillus lautus. Sol Sedim. Contamin. Int. J. 29(4), 384–396 (2020).

Article CAS Google Scholar

Azizi, E. et al. Élimination du 4-chlorophénol par bioréacteur à lit garni à air lift et sa modélisation par cinétique et modèle numérique (réseau de neurones artificiels). Sci. Rep. 11(1), 1–10 (2021).

Article Google Scholar

Blagojev, N. et al. Modélisation et évaluation de l'efficacité de la biosorption continue de Cu(II) et Cr(VI) de l'eau par les déchets agricoles. J. Environ. Gérer. 281, 111876 (2021).

Article CAS PubMed Google Scholar

Shahzadi, I. et al. Tensioactifs cationiques à base d'arginine : Agents auxiliaires biodégradables pour la formation de paires d'ions hydrophobes avec des médicaments macromoléculaires hydrophiles. J. Colloid Interface Sci. 552, 287-294 (2019).

Article ADS CAS PubMed Google Scholar

Abbasi, F. et al. La toxicité des NPs de SiO2 sur la prolifération cellulaire et l'absorption cellulaire de la lignée cellulaire fibroblastique pulmonaire humaine lors de la variation de la température de calcination et sa modélisation par réseau de neurones artificiels. J. Environ. Santé Sci. Ing. 19(1), 985–995 (2021).

Article CAS PubMed PubMed Central Google Scholar

Abbasi, F., A. Azhdarpoor et MR Samaei, Modélisation cinétique de l'élimination du méthyl tert-butyl éther (MTBE) par des bactéries isolées de sols contaminés. Int. J. Environ. Anal. Chim. 1–16 (2020).

Ostertagová, E. Modélisation par régression polynomiale. Procedia ing. 48, 500–506 (2012).

Article Google Scholar

Bao, H. et al. Effets de la paille de maïs sur la dissipation des hydrocarbures aromatiques polycycliques et application potentielle du modèle de prédiction du réseau neuronal artificiel de rétropropagation pour la bioremédiation des HAP. Écotoxicol. Environ. Saf. 186, 109745 (2019).

Article CAS PubMed Google Scholar

Barin, R. et al. Bioremédiation rapide des sols contaminés par le pétrole par un consortium de bactéries produisant des biosurfactants/bioémulsifiants. Int. J. Environ. Sci. Technol. 11(6), 1701–1710 (2014).

Article CAS Google Scholar

Kumar, KV & Porkodi, K. Modélisation des processus d'adsorption solide-liquide à l'aide de réseaux de neurones artificiels entraînés par une cinétique de pseudo second ordre. Chim. Ing. J. 148(1), 20–25 (2009).

Article CAS Google Scholar

Khataee, A. et al. Modélisation du réseau de neurones du biotraitement d'une solution de colorant triphénylméthane par une macroalgue verte. Chim. Ing. Rés. Dés. 89(2), 172–178 (2011).

Article CAS Google Scholar

Gosai, HB et al. Bio-ingénierie pour la dégradation de multiples HAP à l'aide d'approches centrées sur les processus et les données. Chemom. Renseignement. Laboratoire. Syst. 179, 99-108 (2018).

Article CAS Google Scholar

Télécharger les références

Les auteurs tiennent à remercier le vice-chancelier de la recherche de l'Université des sciences médicales de Shiraz pour son soutien à la recherche (proposition n°).

Département d'ingénierie de la santé environnementale, École de la santé, Université des sciences médicales de Shiraz, Shiraz, Iran

Roya Morovati, Fariba Abbasi et Mohammad Reza Samaei

Centre de recherche pour les sciences de la santé, Département d'ingénierie de la santé environnementale, École de la santé, Université des sciences médicales de Shiraz, Shiraz, Iran

Mohammad Reza Samaei

Baccalauréat en génie (avec distinction) en génie de l'environnement, École de génie civil et environnemental, Université de la Nouvelle-Galles du Sud, Sydney, NSW, Australie

Hamid Mehrazmay

Baccalauréat en génie (avec distinction) en génie civil, École de génie civil et environnemental, Université de technologie de Sydney, Sydney, NSW, Australie

Mais Rasti Lari

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

RM et MRS écrivent l'articleF.A. Analyse des donnéesH.M. et AL a édité l'article.

Correspondance à Mohammad Reza Samaei.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Morovati, R., Abbasi, F., Samaei, MR et al. Modélisation de la bioremédiation du n-Hexadécane du sol par des bioréacteurs à lisier en utilisant la méthode des réseaux de neurones artificiels. Sci Rep 12, 19662 (2022). https://doi.org/10.1038/s41598-022-21996-6

Télécharger la citation

Reçu : 29 mai 2022

Accepté : 07 octobre 2022

Publié: 16 novembre 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.