Các nghiên cứu ứng dụng học máy dự báo hấp phụ

1.4. Tổng quan về học máy và các nghiên cứu ứng dụng học máy dự báo hấp phụ

1.4.2. Các nghiên cứu ứng dụng học máy dự báo hấp phụ

Trong những năm gần đây, những nghiên cứu về ứng dụng mơ hình học máy để dự báo khả năng hấp phụ đang là vấn đề còn khá mới. Ở Việt Nam, gần như chưa có nghiên cứu nào. Nhiều nghiên cứu ứng dụng mơ hình học máy được sử dụng như các mơ hình ANN, NNET, v.v. có thể làm rõ được mối quan hệ phức tạp của các đối tượng dự báo mà chúng ta không cần thực hiện các thí nghiệm thực tế. Trong hệ thống

hấp phụ bằng mơ hình học máy, các đối tượng dự báo khá đa dạng và phong phú với các phương pháp dự báo có thể khác nhau như là dự báo hiệu quả hấp phụ, dự báo khả năng hấp phụ tối đa (Qm), khả năng hấp phụ đạt trạng thái cân bằng (Qe), v.v….

Trên thế giới cũng có nhiều nghiên cứu đã áp dụng các mơ hình dự báo hấp phụ. Trong báo cáo, Afolabi và nnk (2020) đã phát triển mơ hình NNET để dự báo khả năng hấp phụ paracetamol bằng than sinh học biến tính từ vỏ cam [17]. Bên cạnh đó, Xu và nnk (2021) đã ứng dụng mơ hình random forest để dự báo khả năng hấp phụ của tetracycline và sulfamethoxazole trên các vật liệu từ carbon khác nhau bằng mơ hình cây quyết định và ANN [18]. Ngồi ra, nhiều nghiên cứu được báo cáo gần đây đã sử dụng mơ hình ANN từ các vật liệu hấp phụ nano carbon, BC và graphene để dự báo khả năng hấp phụ của mơ hình Freundlich ở trạng thái cân bằng [19, 20]. Mặc dù, với kết quả tốt của những nghiên cứu trước đó, các nghiên cứu về ứng dụng ML để dự báo khả năng hấp phụ vẫn cịn bị hạn chế trong q trình lựa chọn phương pháp hay khai thác dữ liệu. Một số báo cáo trước đây chỉ giới hạn ở các dược phẩm cụ thể như: paracetamol, tetracycline và sulfamethoxazole hoặc nguyên liệu BC, ví dụ: vỏ cam [17, 18, 82, 83], trong khi các nghiên cứu khác cố gắng làm rõ giữa các vật liệu hấp phụ khác nhau [19, 20] do đó có thể làm ảnh hưởng đến việc dự đốn kém hoặc sai.