Predicción del diámetro de la membrana de nanofibras electrohiladas utilizando una metodología de superficie de respuesta combinada y un enfoque de aprendizaje automático

Scientific Reports volumen 13, número de artículo: 9679 (2023) Citar este artículo

439 Accesos

Detalles de métricas

A pesar del interés generalizado por la tecnología de electrohilado, se han realizado muy pocos estudios de simulación. Así, la investigación actual produjo un sistema para proporcionar un proceso de electrohilado sostenible y eficaz combinando el diseño de experimentos con modelos de predicción de aprendizaje automático. Específicamente, para estimar el diámetro de la membrana de nanofibras electrohiladas, desarrollamos un modelo de regresión de mínimos cuadrados parciales del núcleo ponderado localmente (LW-KPLSR) basado en una metodología de superficie de respuesta (RSM). La precisión de las predicciones del modelo se evaluó en función de su error cuadrático medio (RMSE), su error absoluto medio (MAE) y su coeficiente de determinación (R2). Además de la regresión de componentes principales (PCR), la regresión de mínimos cuadrados parciales ponderada localmente (LW-PLSR), la regresión de mínimos cuadrados parciales (PLSR) y el modelo de regresión de vectores de soporte de mínimos cuadrados (LSSVR), algunos de los otros tipos de modelos de regresión utilizados para verificar y comparar los resultados se utilizaron modelos difusos y modelos de regresión de vectores de soporte de mínimos cuadrados (LSSVR). Según los resultados de nuestra investigación, el modelo LW-KPLSR funcionó mucho mejor que otros modelos de la competencia al intentar pronosticar el diámetro de la membrana. Esto queda claro por los valores RMSE y MAE mucho más bajos del modelo LW-KPLSR. Además, ofreció los valores de R2 más altos que se pudieron alcanzar, alcanzando 0,9989.

Las nanofibras son materiales fibrosos que se caracterizan por su diámetro, normalmente dentro del rango de 1 a 100 nm. Las nanofibras exhiben una superficie significativa, una relación de aspecto elevada, características superficiales excepcionales, fenómenos de confinamiento cuántico y capacidades rápidas de absorción de biomoléculas, lo que da como resultado aplicaciones que incluyen ingeniería ambiental, ingeniería biomédica, ingeniería de tejidos, ingeniería mecánica, etc.1,2. El electrohilado es un método sencillo que puede utilizarse para fabricar nanofibras poliméricas a partir de una amplia gama de polímeros en presencia de un fuerte campo electrostático3,4,5,6. Una bomba, una jeringa equipada con una boquilla, una fuente de energía para el campo eléctrico y un electrodo de referencia o un elemento conectado a tierra constituyen los componentes fundamentales del dispositivo de electrohilado. La boquilla de la jeringa y el contraelectrodo, donde se mantiene la solución que será electrohilada, trabajan juntos para generar un fuerte campo eléctrico. A medida que el chorro cargado acelera hacia el contraelectrodo, el disolvente de la solución se evapora, formando nanofibras sólidas y continuas en el objetivo puesto a tierra. Como resultado de la diferencia de potencial entre el eyector y el objetivo puesto a tierra, la forma de la gota de solución que sale disparada de la boquilla se distorsiona hasta adoptar la forma de un cono7,8. El diámetro de las nanofibras juega un papel vital en la determinación de su funcionalidad, como adsorción, filtración, degradación catalítica, etc.9,10. Es importante destacar que influyen varios factores, como la concentración de la solución polimérica, la tensión superficial, la viscosidad, la conductividad, el caudal, el voltaje, la distancia entre la aguja y el colector, el tamaño de la aguja y la humedad relativa. la variación del diámetro. Como resultado, los siguientes parámetros deben ajustarse cuidadosamente para producir diámetros de membrana de nanofibras ideales con sus propiedades funcionales11,12.

El método de optimización tradicional de un factor a la vez (OFAT) es costoso y requiere mucho tiempo, y no siempre conduce a la identificación de valores óptimos para todas las variables. El diseño de experimentos (DOE) ha demostrado ser un método excelente para planificar y mejorar experimentos. Es un método estadístico confiable para maximizar el resultado de experimentos utilizando entradas conocidas. Es necesario optimizar la información adquirida limitando el número n experimental de ejecuciones13,14,15,16. Para construir un modelo aproximado que describa la conexión entre una respuesta y una colección de variables predictivas, la metodología de superficie de respuesta (RSM) es un enfoque de optimización sencillo y eficaz. El enfoque de optimización RSM más popular para maximizar la producción y minimizar la entrada es el diseño Box-Behnken (BBD). Este método se basa en el diseño factorial y emplea un bloque inacabado en forma de caja con una estructura de alambre que compone el interior de la caja. Con el BBD, los usuarios pueden ajustar un modelo polinomial de segundo orden a los datos utilizando la conexión matemática entre las variables y las respuestas17. El diseño compuesto central (CCD) es otro método RSM popular para analizar el impacto de los insumos variables en la calidad de la producción. El modelo cuadrático CCD juega un papel importante en el marco RSM porque muestra muchas funciones curvas18. Numerosos esfuerzos de investigación se han concentrado en estrategias RSM basadas en BBD y CCD para regular el diámetro de las nanofibras electrohiladas19,20,21. Debido a las correlaciones no lineales de entrada-salida en los datos de proceso, los investigadores experimentales a menudo consideran que RSM es una herramienta desafiante22.

Como resultado, los modelos de aprendizaje automático (ML) pueden surgir como una alternativa viable al RSM. Se utiliza en muchos campos porque aumenta la eficiencia de las técnicas de optimización estadística, reduciendo el tiempo y el dinero necesarios para las simulaciones23,24. El modelado de mínimos cuadrados parciales (PLS) se utiliza ampliamente porque es fácil de entender y puede extraer fácilmente características de los datos25,26,27. PLS ha tenido un uso generalizado, aunque no está exento de limitaciones. PLS tiene una capacidad limitada para recopilar características de datos por la linealidad inherente del método, lo que se vuelve problemático cuando la relación entre los datos no es lineal. Aunque, en procesos químicos complejos, la no linealidad entre las variables del proceso es típica. Como consecuencia, se han propuesto varias actualizaciones no lineales para incluir propiedades no lineales dentro del marco de PLS28 lineal. Se introdujo una versión adaptativa de mínimos cuadrados parciales ponderados localmente (LW-PLS) para tener en cuenta los grados fluctuantes de no linealidad entre las variables de entrada y salida en el contexto de una consulta específica. El problema de colinealidad entre variables de proceso se puede resolver proyectando datos de proceso en variables latentes de baja dimensión mientras se mantiene la información completa almacenada en los datos de entrada y salida. Sin embargo, la mayoría de los métodos de regresión local no son lo suficientemente flexibles para dar cuenta de los cambios en la no linealidad. Esto los hace algo poco fiables. Además, los métodos de regresión local convencionales continúan utilizando las variables del proceso original como características de entrada, y la no linealidad en los modelos de regresión se basa únicamente en el tratamiento único de las muestras (es decir, ponderación local). Como resultado, la precisión de los pronósticos realizados utilizando métodos convencionales no pudo estar a la altura de las expectativas, especialmente para procesos industriales altamente no lineales29,30.

En una serie de oraciones se propone un nuevo método de regresión basado en características no lineales dispersas llamado mínimos cuadrados parciales del núcleo ponderado localmente (LW-KPLSR) como una solución razonable a los problemas mencionados anteriormente. Los factores de caracterización de características del núcleo disperso se utilizan en el método LW-KPLSR propuesto para establecer la importancia relativa de cada muestra de entrenamiento, en contraste con el LW-PLS clásico31,32. En un estudio reciente, Yeo et al.33 demostraron la implementación del modelo LW-KPLSR para sensores blandos adaptativos. Se encontró que existen distinciones entre LW-PLS y LW-KPLSR y corresponden a diferencias esperadas en eficiencia y requisitos de cálculo. Los resultados muestran que el rendimiento de predicción de LW-KPLSR es mayor que el de LW-PLS. Además, Zhang et al.31 presentaron un LW-KPLS especial basado en características no lineales dispersas sometidas a exhibiciones virtuales a través de procesos no lineales que varían en el tiempo. El LW-KPLSR sugerido mejora la capacidad de la técnica ponderada localmente (LW) para hacer frente a la no linealidad extrema al incluir la característica no lineal en el marco ponderado localmente. Los modelos LW-KPLSR, que tienen en cuenta dependencias no lineales tanto en las muestras de entrenamiento como en la consulta, se construyen utilizando las ideas de caracterización de características dispersas del kernel. Al incorporar características no lineales en el marco de regresión ponderada localmente, el LW-KPLSR sugerido está más adaptado a procesos altamente no lineales y más apto para manejar características que varían en el tiempo que el LW-PLS convencional. A raíz de esto, varios científicos han sugerido diferentes relaciones empíricas para explicar todas las variables que afectan el electrohilado34. Para construir ciertas leyes empíricas de escala de parámetros y diámetro, Wang et al.35,36 y Yousefi et al.37 emplearon experimentos como su principal fuente de datos. Por otro lado, la aplicabilidad del modelo empírico está severamente limitada ya que no existe suficiente sistematización y caracterización38. Si se puede desarrollar un modelo matemático y físico perfecto para la simulación del electrohilado, será posible hacer predicciones precisas sobre la forma y las características de las nanofibras. Potencialmente, esto puede mejorar la cantidad de trabajo que los investigadores pueden realizar y abrir el camino a una mayor variedad de aplicaciones para la tecnología de electrohilado. Sin embargo, hasta el momento, ningún trabajo se ha concentrado en la predicción del diámetro de las nanofibras electrohiladas utilizando el modelo LW-KPLSR.

En vista de esto, este estudio tiene como objetivo combinar el modelo de optimización RSM con el modelo de aprendizaje automático para predecir el diámetro de membranas de nanofibras electrohiladas utilizando tres estudios de casos, una técnica relativamente novedosa en la literatura científica. A continuación, calculamos el error cuadrático medio (RMSE), el error medio absoluto (MAE) y el coeficiente de determinación del modelo para establecer el nivel de precisión que tiene (R2). También analizamos los resultados del modelo difuso, la regresión de componentes principales (PCR) y el modelo de regresión de vectores de soporte de mínimos cuadrados (LSSVR) para comprender mejor las capacidades de los diferentes modelos para realizar una predicción precisa.

En esta parte se tratan el enfoque de optimización del diseño de RSM, el proceso de electrohilado y la medición del diámetro de la membrana de nanofibras. El paso siguiente describe los modelos de aprendizaje automático, establece los parámetros de los modelos de regresión y evalúa la exactitud del rendimiento de la predicción.

El trabajo experimental de Viana et al.39 proporcionó los datos utilizados para entrenar y evaluar los modelos en el estudio de caso 1. Este estudio utilizó un BBD (cuatro factores y tres niveles) para encontrar las condiciones óptimas bajo las cuales el diámetro medio del Las nanofibras se redujeron al mínimo (Fig. 1). Se llenó una jeringa desechable de 5 ml equipada con una aguja desechable de 0,55 mm de diámetro interno (25G) y una bomba capaz de regular el flujo de inyección de la solución con las soluciones de PVA:CS preparadas. La aguja de metal estaba conectada a una fuente de alto voltaje que producía 60 kV en su punta, y una placa de metal estaba conectada al cable de tierra y mantenida a cierta distancia de la aguja. Una temperatura de 25˚C y una humedad relativa del 50% al 60% eran ideales para el electrohilado. Además, las muestras se secaron en un desecador de vacío con 15 ml de solución acuosa de glutaraldehído al 25% en una placa de Petri durante 24 h para fabricar membranas nanofibrosas de PVA:CS reticuladas.

Un diseño de la estrategia de respuesta y optimización de los parámetros de procesamiento de electrohilado asistido por RSM.

En el estudio de caso 2, los datos utilizados para el entrenamiento y las pruebas del modelo se recopilaron del trabajo experimental de Thirugnanasambandham et al.40. El coloide Ag/CS y PEO se disolvieron en una solución de ácido acético al 3% en peso en agua, y la relación de masa de CS a PEO se estableció en 1:1, produciendo una solución con una concentración de polímero del 10% en peso. También se comparó una solución de control de CS/PEO ordinaria con la misma concentración. Se usó una bomba de jeringa para regular el suministro de la solución de polímero a una velocidad constante de 0,1 ml/h mientras se cambiaban el voltaje y la distancia del colector. Se usó un capilar metálico (DI = 0,5 mm) dentro de una jeringa para expulsar la solución preparada con la ayuda de una fuente de alimentación de CC. Las nanofibrosas se almacenaron en un desecador durante 5 h después de la reticulación con una solución acuosa de glutaraldehído al 25% (p/v) a 35 °C. La Figura 1 muestra el esquema de una investigación sobre el proceso de electrohilado utilizando RSM junto con un BBD.

En el estudio de caso 3, los datos para el entrenamiento y las pruebas del modelo se obtuvieron a través del trabajo experimental de Amiri et al.41. Se disolvieron quitosano y colágeno en ácido acético a una concentración del 90 % (v/v) para preparar una solución de quitosano-colágeno. El producto final tenía un total de 5% de colágeno y 2,5% de quitosano. Para promover el electrohilado, se añadió una solución de PEO (2,5% en peso) a una solución de quitosano-colágeno (relación de volumen 10:90). Para electrohilar la solución de quitosano-colágeno, se colocó una jeringa de 5 ml horizontalmente sobre un tambor giratorio recubierto con papel de aluminio y se utilizó una aguja de acero inoxidable de 18 G para proporcionar corriente eléctrica. Como se puede ver en la Fig. 1, el proceso de electrohilado siguió un enfoque CCD acoplado a RSM.

En su conjunto, se utilizó Image J, un software de acceso abierto, para evaluar y cuantificar el diámetro de las nanofibras. Los Institutos Nacionales de Salud de los Estados Unidos (NIH) albergan la versión descargable de este programa en línea (https://imagej.nih.gov/ij/download.html).

Los modelos de regresión utilizados fueron LSSVR, PCR, PLSR, LW-PLSR, LW-KPLSR y método difuso, en los que el diámetro de la membrana de nanofibras electrohiladas se denominó como la variable de salida para cada estudio de caso. En el primer estudio de caso, se emplearon un total de 27 conjuntos de datos de electrohilado como variables de entrada para los modelos de regresión. Estos conjuntos de datos incluyeron el voltaje aplicado, el caudal, la concentración de la solución de quitosano y la distancia entre la punta y la aguja (Tabla S1). Para el segundo estudio de caso, hubo un total de 17 conjuntos diferentes de datos de electrohilado que se utilizaron como variables de entrada para los modelos de regresión. Estos conjuntos incluían información sobre la distancia del colector, la concentración de la solución de polímero y el voltaje aplicado (Tabla S2). En el tercer estudio de caso, se utilizaron 20 conjuntos diferentes de datos de electrohilado como variables de entrada para los modelos de regresión. Estos conjuntos de datos incluyeron el voltaje aplicado, el caudal y la distancia entre la aguja y el colector (Tabla S3).

Una vez que los datos se importaron a MATLAB para cada estudio de caso, se dividieron entre el conjunto de entrenamiento y el conjunto de pruebas en una proporción de 80/20 (Tablas S4 a S6). En la Fig. 2 se muestra el diseño general de los seis modelos de regresión distintos (LW-KPLSR, LW-PLSR, PLSR, PCR, enfoque difuso y LSSVR) para predecir los valores del diámetro de las nanofibras. Estos modelos se utilizan para estimar los valores del diámetro de las nanofibras. Se utilizaron los modelos LW-KPLSR, LW-PLSR, PLSR, PCR, enfoque difuso y LSSVR para evaluar el progreso de los modelos utilizando los mismos modelos que se utilizaron durante el entrenamiento y las pruebas, como se muestra en la Fig. 2. La Tabla 1 proporciona una descripción general de las diversas configuraciones de parámetros posibles que se pueden utilizar con los modelos LW-KPLSR, LW-PLSR, PLSR, PCR, enfoque difuso y LSSVR. El número total de conjuntos de datos, el número de conjuntos de datos utilizados para el entrenamiento, el número de conjuntos de datos utilizados para las pruebas y el número de variables latentes se indican mediante NT, N1, N2 y LV respectivamente. Durante este tiempo, los parámetros de sintonización utilizados en el modelo LSSVR se indican con los símbolos γ, λ y p. Además, b es el parámetro del kernel utilizado en las funciones del kernel y todos estos parámetros fueron ajustados.

Un marco para el desarrollo de modelos LW-KPLSR, LW-PLSR, PLSR, PCR, método difuso y LSSVR.

RMSE es una medida de defectos dependiente de la escala que evalúa si un modelo de predicción tiene éxito. Esta estadística se utilizó para determinar si la proporción de división de datos era satisfactoria, ya que permitía comparaciones entre diferentes configuraciones para una sola variable. La precisión de un pronóstico se mide mediante una estadística llamada RMSE, donde un número menor indica una mayor precisión. RMSE se encuentra sumando todas las discrepancias al cuadrado entre los valores observados y predichos42. También podría verse como un reflejo de las discrepancias entre los valores previstos y observados. Un RMSE más pequeño indica un mayor grado de precisión y poder predictivo cuando se considera esto. La ecuación (1)43 muestra la fórmula RMSE.

\(Y_{i}\) representa la salida real, \(\hat{Y}_{i}\) representa la salida prevista y n representa el número total de muestras.

Como se demuestra en la ecuación. (2), el MAE es una estadística para evaluar un conjunto de predicciones que ignora tanto la direccionalidad como la gravedad de los errores. Para cada observación en el conjunto de datos de prueba, este valor representa la media ponderada de las discrepancias absolutas entre los valores previstos y reales.

donde \(\sum {}\) representa la sumatoria.

R2 es una medida que determina la eficacia con la que un modelo de regresión tiene en cuenta la varianza de la variable objetivo presente en un conjunto de datos particular42. R2 es una métrica estadística utilizada para determinar la "bondad del ajuste" entre los valores observados y predichos en un modelo de regresión. Su valor puede estar entre 0 y 144. Si está cerca de uno, indica que las entradas elegidas deberían producir el resultado deseado; si está más lejos, indica que es posible que el ajuste necesite algún ajuste. Encontrar el R2 implica comparar la suma de los errores al cuadrado y el total de las desviaciones al cuadrado de la media de la variable que se investiga. Se utiliza una estadística conocida como R2 para cuantificar el grado en que los datos vistos coinciden con los datos anticipados. La ecuación (3)45 proporciona la explicación completa de la fórmula.

Para ser más explícito, la Ec. (4)46 ofrece una explicación matemática del error de predicción (PE) que se utiliza en el proceso. Para ofrecer una prueba cuantitativa de las capacidades predictivas de los valores de diámetro, analizamos el error de aproximación, que se expresa por Ea, y calculamos Ea utilizando la ecuación. (5)32.

donde \({V}_{1}\) y \({V}_{2}\) representan los valores objetivo y real, respectivamente. En conjuntos de datos de entrenamiento y prueba, RMSE1 y RMSE2 representan el RMSE, mientras que MAE1 y MAE2 representan el MAE.

La replicación del electrohilado por computadora es crucial. A continuación, se realizaron tres estudios de caso en el trabajo actual para comprender su comportamiento de simulación junto con los hallazgos experimentales (Fig. 3). El electrohilado fue impulsado por la configuración inicial en el estudio de caso 1, que generó nanofibras con un diámetro medio que oscilaba entre 186,6 y 354,2 nm. Tras la implementación del enfoque BBD acoplado a RSM, se establecieron las condiciones óptimas y se descubrió un diámetro medio más bajo, de alrededor de 196,5 nm. Para el estudio de caso 2, el diámetro mínimo se alcanzó con un gran rendimiento promedio de 704,12 nm; sin embargo, siguiendo el diseño BBD vinculado a RSM, el diámetro de fibra resultante se redujo a 300 nm, lo cual es una mejora significativa. La primera selección de configuraciones de electrohilado arrojó un diámetro medio de alrededor de 212,7 nm para el estudio de caso número 3. Después de eso, pudimos generar fibras homogéneas con un diámetro medio de 155 nm optimizando los parámetros determinados por el diseño CCD acoplado a RSM. Debido a la adopción del enfoque de optimización RSM, se ajustó el diámetro de la membrana de nanofibras electrohiladas (cuanto más pequeña, mejor), lo cual resulta ventajoso para aplicaciones que implican el tratamiento de aguas residuales47,48. Esto se vio claramente en el estudio que se muestra arriba.

Ajuste del diámetro diseñado por RSM de la membrana de nanofibras electrohiladas.

En la presente investigación, se utilizó el análisis de componentes principales (PCA) para llevar a cabo la selección de características para el proceso de electrohilado durante la fabricación de membranas de nanofibras electrohiladas. El PCA es un conocido método de reducción de dimensionalidad no supervisado que, cuando se aplica linealmente, genera características o variables útiles. La combinación lineal de las variables x que tienen la mayor varianza se conoce como componente principal49. PCA utiliza el poder de los vectores propios y los valores propios para minimizar la cantidad de características en un conjunto de datos mientras mantiene la mayor parte de la varianza utilizada para cuantificar la cantidad de información. Esto se logra mediante el uso de PCA. Por lo tanto, las características o variables que exhiben una mayor variación muestran mayor relevancia que aquellas que exhiben una menor varianza. Además de derivar la varianza del PCA, el diagrama biplot del PCA se puede utilizar para mostrar y explicar la conexión entre las variables. El biplot PCA para el proceso de electrohilado de la producción de membranas de nanofibras electrohiladas para los estudios de caso 1, 2 y 3 se muestra en las figuras 4a a c, respectivamente.

Gráfico biplot PCA para el proceso de electrohilado de la fabricación de membranas de nanofibras electrohiladas (a) Estudio de caso 1, (b) Estudio de caso 2 y (c) Estudio de caso 3.

Según el PCA realizado en el estudio de caso 1, las variaciones de las variables de entrada, que incluyen la concentración de la solución de quitosano, el voltaje aplicado, la distancia entre la punta y la aguja y el caudal, son, respectivamente, 46,1538 y 2,8846. , 2,8846 y 0,0288. Como resultado, las primeras tres variables de entrada, que son la concentración de la solución de quitosano, el voltaje aplicado y la distancia punta-aguja, son significativas ya que representan el 99,94% de la varianza. La Figura 4a del Estudio de caso 1 también revela hallazgos comparables; sin embargo, a excepción del caudal, las tres primeras variables de entrada incluyen más información. El PCA para el estudio de caso 2 revela que la concentración de la solución de polímero, el voltaje aplicado y la distancia del colector tienen variaciones relativas de 312,5, 12,5 y 8, respectivamente. Como resultado, las dos primeras variables de entrada, la concentración de la solución de polímero y el voltaje aplicado, son significativas ya que representan el 97,60% de la varianza. Debido a que ambos tienen el mayor grado de variación, los hallazgos del estudio de caso 2 demuestran que la concentración de la solución polimérica y el voltaje aplicado proporcionan más información que las otras variables (Fig. 4b). Finalmente, PCA encontró que las varianzas de las variables de entrada voltaje aplicado, caudal y distancia del colector de aguja fueron 28.3575, 0.1175 y 0 para el estudio de caso 3. Estos hallazgos sugieren que el voltaje aplicado y el caudal representan hasta el 100%. de la variación, mientras que la distancia aguja-colector no proporciona información útil. La Figura 4c del estudio de caso 3 demuestra que los factores de entrada, como el voltaje aplicado y el caudal, ofrecen más información que la distancia entre la aguja y el colector.

Con base en los resultados de los tres estudios de caso con diferentes diseños experimentales, es posible concluir las variables de entrada críticas del proceso de electrohilado necesarias para producir una membrana de nanofibras electrohiladas.

En este trabajo, los datos del proceso experimental de la técnica de electrohilado que produce nanofibras se utilizaron para construir modelos LSSVR, PCR, PLSR, LW-PLSR, LW-KPLSR y Fuzzy. Estos modelos se utilizaron para predecir los resultados del estudio. Estos modelos, que se conocen como modelos de inteligencia artificial (IA) o aprendizaje automático (ML), se pueden utilizar para la optimización de procesos para adquirir los resultados deseados mediante el monitoreo de los datos del proceso. En esta parte, se llevó a cabo la evaluación del modelado para comprender las capacidades de varios modelos de IA para seleccionar e introducir el mejor modelo de IA para la optimización del proceso de electrohilado para respaldar las pruebas industriales y de laboratorio.

Para evaluar la eficacia de estos modelos de IA, se utilizaron tres estudios de casos distintos para el proceso de electrohilado de producción de nanofibras. Los resultados de estos estudios de caso se informaron en términos de RMSE, MAE, R2 y Ea, y se organizaron y mostraron en las Tablas 2, 3, 4. Como se discutió anteriormente en la sección "Análisis del comportamiento de predicción", estas tablas Las columnas RMSE1, MAE1, RMSE2 y MAE2 representan el error absoluto medio (MAE) y el error cuadrático medio (RMSE) para datos de entrenamiento y prueba, respectivamente. Además de RMSE y MAE, el valor R2 se denomina R12 y R22, respectivamente, para datos de entrenamiento y datos de prueba. Los hallazgos del estudio de caso 1 se presentan en la Tabla 2, y está claro que el LW-KPLSR proporciona los mejores resultados en comparación con los otros modelos gracias a su bajo valor de Ea de 25,4921 y sus altos valores de R12 y R22 de 0,8534 y 0,7509. . El rendimiento general de LW-KPLSR es mayor, mientras que LW-PLSR ofrece mejores RMSE1, MAE1 y R12.

La Tabla 2 demuestra además la eficacia tanto de LW-KPLSR como de LW-PLSR, con valores de RMSE1 y MAE1 alrededor de 1 y valores de R12 superiores a 0,999. Esto se debe al hecho de que ambos modelos utilizan el mismo modelo integrado, específicamente el algoritmo ponderado localmente (LW)50, que emplea una estrategia euclidiana ponderada basada en la distancia para elegir los datos históricos adecuados que conduzcan a una predicción excelente. Sin embargo, en comparación con LW-KPLSR, sus puntuaciones RMSE2, MAE2 y R22 son entre un 15 % y un 44 % más bajas para los datos de prueba porque el LW-PLSR no tiene una función de núcleo. La ecuación (6)51 ilustra el uso de un núcleo cuadrático racional (RQ) en el modelo LW-KPLSR para el primer estudio de caso.

donde \({\left|x-{x}^{^{\prime}}\right|}^{2}\) es la distancia euclidiana de los vectores binarios x y x′, y b es el parámetro del núcleo. Cuando la distancia entre los vectores x y x′ aumenta, entonces el valor de la función RQ aumentará constantemente. La inclusión de la función del núcleo RQ en el modelo LW-KPLSR produce una reducción general en la complejidad del modelo y ayuda a prevenir la aparición de un sobreajuste de muestras pequeñas en el modelo51. Según la Tabla 2, todos los modelos alternativos, como LSSVR, PCR, PLSR y enfoques difusos, produjeron resultados insatisfactorios debido a que sus valores RMSE1 y MAE1 son entre 8 y 206 % peores que los resultados producidos por el LW-KPLSR. modelo. Mientras tanto, otros modelos, como el LW-PLSR, han mostrado malos resultados y tienen valores que son entre un 15% y un 100% más altos para RMSE2, MAE2 y Ea y que son entre un 44% y un 216% más bajos para R22 en comparación. al LW-KPLSR.

Por otro lado, los hallazgos del estudio de caso 2 se muestran en la Tabla 3 y, una vez más, LW-KPLSR funcionó mejor que los otros modelos. La Tabla 3 demuestra, de manera similar a la del Estudio de caso 1, que los resultados de los datos de entrenamiento para LW-KPLSR y LW-PLSR son superiores a los obtenidos mediante el uso de otras técnicas. Debido a que el modelo LW está presente, los valores RMSE1 y MAE1 para estos individuos son menores que 1, y los valores R12 para estos individuos son mayores que 0,999. Nuevamente, en comparación con otros modelos, el LW-KPLSR logra resultados generales superiores con su valor Ea, que tiene valores que son entre un 13% y un 597% más bajos que los de los otros modelos. En el segundo estudio de caso, LW-KPLSR hizo uso de la función Kernel polinomial, que se puede encontrar descrita en la ecuación. (7)52.

Además, Yeo et al.33, Yeo et al.53 y Yeo et al.52 han demostrado que el modelo LW-KPLSR con Polynomial Kernel tiene un excelente rendimiento predictivo. En el estudio de caso 2, se utilizó el núcleo polinomial para mapear los datos no lineales producidos por el método de electrohilado en un espacio con una dimensión mayor para generar hallazgos predichos más precisos.

Además de LW-KPLSR y LW-PLSR, la Tabla 3 también incluye el valor R12 para el enfoque difuso, que es 0,8877. Este valor también es satisfactorio. La técnica difusa puede proporcionar una aproximación de las conexiones difusas que existen entre las variables independientes y las dependientes54. A pesar de esto, los valores de RMSE1 y MAE1 para la técnica difusa son 1046% y 1548% mayores, respectivamente, que los de LW-KPLSR. Además, los valores de Ea, RMSE2 y MAE2 que se producen mediante la técnica difusa son entre un 35 y un 92% superiores a los creados por LW-KPLSR. Esto se debe a que el sistema de lógica difusa utiliza una base de reglas difusas, que solo incluye reglas difusas SI-ENTONCES que se producen a partir de los datos de entrenamiento55. Como resultado, la técnica difusa pierde su capacidad de precisión adecuada si los datos que se prueban son distintos de los datos que se utilizan para el entrenamiento.

En el estudio de caso 2, además del LW-KPLSR, el LW-PLSR y el enfoque difuso, el LSSVR ofreció excelentes resultados para los datos de entrenamiento. Su valor R12 es 0,9990 y sus valores RMSE1 y MAE1 son bastante modestos. Estos números indican que el LSSVR funcionó bien. El LSSVR, al igual que el LW-KPLSR, utiliza una función del núcleo. Esta función del núcleo, conocida como núcleo de función de base radial, proporciona un mapa de características aproximado en un número limitado de dimensiones para los datos no lineales56. A pesar de esto, al observar la Tabla 3, podemos ver que los valores de Ea, RMSE2 y MAE2 del LSSVR son entre un 53% y un 90% más altos que los del LW-KPLSR. Esto es posible gracias a la ayuda proporcionada por el método LW y la función del núcleo polinomial incluida en LW-KPLSR. Según la Tabla 3, y de manera similar a los hallazgos del Estudio de caso 1, está claro que PLSR y PCR no proporcionaron resultados satisfactorios porque son modelos lineales que no pueden manejar los datos no lineales producidos por el proceso de electrohilado44.

Por otro lado, los hallazgos del estudio de caso 3 se muestran en la Tabla 4. Estos resultados se obtuvieron utilizando LW-KPLSR, LSSVR, la técnica Fuzzy, PLSR, PCR y LW-PLSR. El estudio de caso 3 tiene un total de 20 conjuntos de datos y, al observar la Tabla 4, queda claro que los hallazgos de los datos de prueba, en particular los valores R22 para LSSVR y PLSR, han mejorado mucho (valores no negativos). Los hallazgos del estudio de caso 3 para los datos de entrenamiento de LW-PLSR y LSSVR parecen ser positivos, al igual que los resultados del estudio de caso 2, ya que sus valores de R12 son superiores a 0,95. Mientras tanto, estos modelos no son tan buenos como LW-KPLSR porque sus valores de Ea, RMSE2, MAE2 y R22 son inferiores a los de LW-KPLSR entre un 89% y un 255%. Sorprendentemente, los resultados de RMSE2 y MAE2 para los datos de prueba de PLSR y LW-PLSR son casi iguales. Según estos hallazgos, el método LW utilizado en LW-PLSR no mejora significativamente la predicción en el estudio de caso 3. Sin embargo, LW-KPLSR tiene tanto un algoritmo LW como una función kernel, un kernel Multi Quadric (MQ) (como se indica en Ec. 8), convirtiéndolo en un sistema único. Este kernel MQ traduce los datos no lineales originales a un espacio dimensional superior, lo que en última instancia da como resultado un rendimiento predictivo mejorado. Al igual que los estudios de caso 1 y 2, LW-KPLSR es excepcional en comparación con otros modelos porque logra resultados generales superiores, como lo demuestran sus valores de Ea más bajos y el hecho de que tanto R12 como R22 son más altos que el valor de referencia de 0,6 para R2. .

Esta parte muestra los gráficos que comparan los resultados previstos de LW-KPLSR, LW-PLSR, PCR, PLSR, técnica difusa y LSSVR para los estudios de caso 1 a 3. Los resultados de predicción de los datos de entrenamiento de los estudios de caso 1, 2 y 3 se comparan en las Fig. 5a, c, e, respectivamente. Mientras tanto, la comparación de los resultados previstos para los datos de prueba de los estudios de caso 1, 2 y 3 se muestra en la Fig. 5b, d, f, respectivamente. Es claro observar que los resultados anticipados de LW-PLSR y LW-KPLSR que se muestran en las figuras 5a, c, e son muy similares a los datos reales, que es el diámetro de la nanofibra expresado en nanómetros. Además de esto, se puede mostrar que todos los datos pronosticados del LW-PLSR y el LW-KPLSR se encuentran dentro de las barras de error para los datos reales en la Fig. 5a, c, e. El modelo ponderado localmente, que utiliza datos históricos cercanos a la muestra de consulta de las variables de salida previstas57, fue vital para producir estos hallazgos. Sin embargo, con la ayuda de la función del núcleo, los datos predichos de LW-KPLSR en la Fig. 5b, d, f están más cerca de los datos reales en comparación con los datos predichos de otros modelos, incluido LW-PLSR. Además, los resultados de las predicciones de PLSR, PCR y enfoque difuso, como se muestra en la Fig. 5b, d, son bastante diferentes de los datos reales y las barras de error asociadas. Debido a esto, es imposible utilizarlos para predecir el diámetro de las nanofibras usándolos con precisión.

Comparación de resultados predictivos de LSSVR, PCR, PLSR, LW-PLSR, LW-KPLSR y modelos difusos (a) Datos de entrenamiento del estudio de caso 1, (b) Datos de prueba del estudio de caso 1, (c) Datos de entrenamiento del estudio de caso 2, (d ) Datos de prueba del estudio de caso 2, (e) Datos de entrenamiento del estudio de caso 3 y (f) Datos de prueba del estudio de caso 3.

En comparación con los otros modelos, el LW-KPLSR proporcionó resultados pronosticados que están más cerca o dentro de las barras de error de los datos reales, como se ve en las figuras 5a a 5f. Estos resultados pertenecen a los hallazgos generales. El LW-KPLSR puede proporcionar resultados satisfactorios a pesar de los limitados datos experimentales disponibles actualmente para la técnica de electrohilado que se utiliza para fabricar nanofibras.

Los valores R2 de LW-KPLSR, que se muestran en las Tablas 2, 3 y 4, son superiores a 0,6, un punto de referencia para una buena previsibilidad externa58. Además, los resultados del modelo LW-KPLSR tienen el potencial de mejorarse aún más mediante la recopilación de más conjuntos de datos. Como resultado, se puede concluir que el modelo LW-KPLSR es una opción adecuada para optimizar los datos del proceso para el método de electrohilado.

En esta subsección, las figuras 6a a f ilustran la correlación entre los valores reales y pronosticados para los datos de entrenamiento y prueba derivados del modelo LW-KPLSR. Es importante tomar nota del hecho de que los datos reales y pronosticados generados por LW-KPLSR y mostrados en la Fig. 6a,c,e para los datos de entrenamiento son bastante similares entre sí, como se ve por sus valores R2, que son todos mayores que 0,7. Debido a que los datos de entrenamiento se utilizan para crear y evaluar el LW-KPLSR, como se muestra en la Fig. 2, los hallazgos suelen ser menos significativos que los datos de las pruebas59. Esto se debe a que se utilizan los datos de entrenamiento. Mientras tanto, los datos de prueba que no se incluyeron en la construcción del modelo LW-KPLSR se pueden encontrar representados en la Fig. 6b, d, f, respectivamente. De estas cifras se desprende claramente que algunos de los productos proyectados están bastante alejados de la línea yx; a pesar de esto, los valores de R2 para los datos de prueba siguen siendo mayores que los valores de R2 que se utilizaron como punto de referencia. En conclusión, el modelo LW-KPLSR es apropiado para predecir el diámetro de la nanofibra.

Correlación entre los valores reales y pronosticados del modelo LW-KPLSR (a) Estudio de caso 1 usando datos de entrenamiento, (b) Estudio de caso 1 usando datos de prueba, (c) Estudio de caso 2 usando datos de entrenamiento, (d) Estudio de caso 2 usando datos de prueba, (e) Estudio de caso 3 utilizando datos de entrenamiento, (f) Estudio de caso 3 utilizando datos de prueba.

En conclusión, la presente investigación produjo un método de combinación único, el modelo LW-KPLSR integrado en RSM, para predecir el diámetro de las membranas de nanofibras electrohiladas. Esto se logró aplicando los datos del proceso de electrohilado de tres estudios de caso. En el estudio de caso 1, las variables que se consideran de entrada son el voltaje aplicado, el caudal, la concentración de la solución de quitosano y la distancia entre la punta y la aguja. En el estudio de caso 2, las variables de entrada son la distancia del colector, la concentración de la solución de polímero y el voltaje aplicado, y para el estudio de caso 3, el voltaje aplicado, el caudal y la distancia entre la aguja y el colector. Es esencial determinar los parámetros óptimos del proceso de electrohilado para lograr el diámetro de nanofibra más pequeño para la membrana. Como resultado, la implementación del diseño del RSM fue apropiada. El diseño RSM y las técnicas de modelado predictivo, como LW-KPLSR, desempeñan un papel importante en la producción de membranas de nanofibras electrohiladas de diámetro más pequeño. Al modelo LW-KPLSR le fue mucho mejor en general a la hora de predecir el diámetro de la fibra que el enfoque difuso, el modelo PCR, el modelo LW-PLSR, el modelo PLSR y el modelo LSSVR. Esto se muestra en los valores más bajos de Ea del modelo LW-KPLSR. Además, los valores de R2 que genera en cada estudio de caso son altos, y algunos llegan hasta 0,9989. A la luz de estos descubrimientos, ha salido a la luz que el modelo LW-KPLSR puede utilizarse en membranas de nanofibras electrohiladas en la capacidad de un instrumento de predicción de diámetro. Estudios adicionales pueden revelar que incluir un algoritmo ponderado localmente en el modelo LW-KPLSR mejora la capacidad del modelo para realizar predicciones precisas. Los hallazgos de esta investigación arrojan luz sobre la importancia de lograr sostenibilidad a largo plazo y reducciones de costos mediante la integración de RSM e IA para optimizar rápidamente el proceso de electrohilado y generar la forma del diámetro de membrana deseada.

Los conjuntos de datos generados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable (Prof. Yingjie Cai, Y. Cai).

No se intentó ni utilizó ningún código durante el manuscrito actual.

Barhoum, A., Rasouli, R., Yousefzadeh, M., Rahier, H. y Bechelany, M. en Handbook of Nanofibers (eds Barhoum, A. et al.) 1–42 (Springer International Publishing, 2018).

Cerjak, H. (Taylor y Francis, 2009).

Xue, J., Xie, J., Liu, W. y Xia, Y. Nanofibras electrohiladas: nuevos conceptos, materiales y aplicaciones. Acc. Química. Res. 50, 1976–1987. https://doi.org/10.1021/acs.accounts.7b00218 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Wang, X. y Hsiao, BS Membranas de nanofibras electrohiladas. actual. Opinión. Química. Ing. 12, 62–81. https://doi.org/10.1016/j.coche.2016.03.001 (2016).

Artículo de Google Scholar

Pervez, MN et al. Membranas de nanofibras electrohiladas para el control de micro/nanoplásticos en el medio ambiente. Agua. Emergente. Contaminar. Nanoplásticos. 1, 10. https://doi.org/10.20517/wecn.2022.05 (2022).

Artículo de Google Scholar

Talukder, ME y cols. Nanopartículas de Ag inmovilizadas con membrana de nanofibras electrohiladas de polietersulfona/polietersulfona sulfonada para la eliminación de metales pesados. Ciencia. Rep. 12, 5814. https://doi.org/10.1038/s41598-022-09802-9 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Pervez, MN & Stylios, GK Investigación de la síntesis y caracterización de una nueva nanofibra de quitosano/alcohol polivinílico soluble en agua, asistida por H2O2, “verde” para usos ambientales finales. Nanomateriales 8, 395. https://doi.org/10.3390/nano8060395 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Pervez, MN y Stylios, GK Un enfoque experimental para la síntesis y optimización de una nanofibra "verde". Nanomateriales 8, 383. https://doi.org/10.3390/nano8060383 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Ma, H., Hsiao, BS & Chu, B. Nanofibras de celulosa ultrafinas como adsorbentes eficientes para la eliminación de UO22+ en agua. ACS Macro Lett. 1, 213–216. https://doi.org/10.1021/mz200047q (2012).

Artículo CAS PubMed Google Scholar

Qin, X.-H. y Wang, S.-Y. Propiedades de filtración de nanofibras electrohiladas. J. Aplica. Polimero. Ciencia. 102, 1285-1290. https://doi.org/10.1002/app.24361 (2006).

Artículo CAS Google Scholar

Talukder, ME y cols. Membrana de nanofibras electrohiladas a base de alginato de sodio funcionalizada con quitosano para la eliminación de As (III) de una solución acuosa. J. Medio Ambiente. Química. Ing. 9, 106693. https://doi.org/10.1016/j.jece.2021.106693 (2021).

Artículo CAS Google Scholar

Pervez, MN et al. Fabricación de membranas de nanofibras electrohiladas de polietersulfona/poliacrilonitrilo para el tratamiento de aguas residuales de la industria alimentaria. J. Agua. Proceso. Ing. 47, 102838. https://doi.org/10.1016/j.jwpe.2022.102838 (2022).

Artículo de Google Scholar

Morshed, MN et al. Modelado estadístico y optimización de la eliminación heterogénea de contaminantes orgánicos tipo Fenton utilizando catalizadores fibrosos: un diseño factorial completo. Ciencia. Rep. 10, 16133. https://doi.org/10.1038/s41598-020-72401-z (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Shafiq, F. y col. Relaciones estructurales y optimización de parámetros de acabado de resina utilizando el enfoque Taguchi. Celulosa 25, 6175–6190. https://doi.org/10.1007/s10570-018-1957-2 (2018).

Artículo CAS Google Scholar

Pervez, MN, Shafiq, F., Sarwar, Z., Jilani, MM & Cai, Y. Optimización de respuestas múltiples del acabado de resina mediante el uso de un análisis relacional de grises basado en taguchi. Materiales. 11, 426. https://doi.org/10.3390/ma11030426 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Lin, L. y col. Teñido de fibra de tela de pasto tradicional sostenible utilizando el diseño ortogonal Taguchi L16 (4^4). Ciencia. Rep. 12, 13833. https://doi.org/10.1038/s41598-022-18213-9 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Khatti, T., Naderi-Manesh, H. & Kalantar, SM Aplicación de técnicas ANN y RSM para modelar el proceso de electrohilado de policaprolactona. Neural. Computadora. Aplica. 31, 239–248. https://doi.org/10.1007/s00521-017-2996-6 (2019).

Artículo de Google Scholar

Ghelich, R., Jahannama, MR, Abdizadeh, H., Torknik, FS & Vaezi, MR Metodología de superficie de respuesta (RSM) de diseño compuesto central (CCD) de parámetros efectivos de electrohilado en compuestos nanofibrosos híbridos PVP-B-Hf para la síntesis de Nanofibras compuestas basadas en HfB2. Compos. B. Ing. 166, 527–541. https://doi.org/10.1016/j.compositesb.2019.01.094 (2019).

Artículo CAS Google Scholar

He, H., Wang, Y., Farkas, B., Nagy, ZK & Molnar, K. Análisis y predicción del diámetro y orientación de nanofibras electrohiladas de CA mediante metodología de superficie de respuesta. Madre. Des. 194, 108902. https://doi.org/10.1016/j.matdes.2020.108902 (2020).

Artículo CAS Google Scholar

Nasouri, K., Bahrambeygi, H., Rabbi, A., Shoushtari, AM y Kaflou, A. Modelado y optimización del diámetro de nanofibras PAN electrohiladas utilizando metodología de superficie de respuesta y redes neuronales artificiales. J. Aplica. Polimero. Ciencia. 126, 127-135. https://doi.org/10.1002/app.36726 (2012).

Artículo CAS Google Scholar

Panda, PK, Gangwar, A. & Thite, AG Optimización del diámetro de nanofibras electrohiladas de nailon 6 en electrodos de alambre sin aguja utilizando un diseño compuesto central y una metodología de superficie de respuesta. J. Indiana Texto. 51, 7279S-7292S. https://doi.org/10.1177/15280837211058213 (2021).

Artículo CAS Google Scholar

Meng, Y. et al. Optimización multiobjetivo de las resistencias al pelado y al corte en la soldadura de metales por ultrasonidos utilizando una metodología de superficie de respuesta basada en aprendizaje automático. Matemáticas. Biosci. Ing. 17, 7411–7427. https://doi.org/10.3934/mbe.2020379 (2020).

Artículo PubMed MATEMÁTICAS Google Scholar

Toscano, JD, Li, Z., Segura, LJ & Sun, H. En ASME 2020 15.ª Conferencia Internacional de Ciencia e Ingeniería de Fabricación.

Pervez, MN et al. Predicción del diámetro de membranas de nanofibras electrohiladas biodegradables: un marco integrado de diseño taguchi y aprendizaje automático. J. Polim. Reinar. https://doi.org/10.1007/s10924-023-02837-7 (2023).

Artículo de Google Scholar

Li, Z. y col. Esteras de nanofibras de almidón-pululano octenilsuccinilado electrohilado: adsorción para el olor de péptidos de ostras y caracterización estructural. Hidrocoloides alimentarios 133, 107992. https://doi.org/10.1016/j.foodhyd.2022.107992 (2022).

Artículo CAS Google Scholar

Visser, D. y col. Electrohilado de colágeno: los análisis enzimáticos y espectroscópicos revelan una alteración de la estructura de triple hélice independiente del disolvente. J. Mater. Química. B 11, 2207–2218. https://doi.org/10.1039/D2TB02602C (2023).

Artículo CAS PubMed Google Scholar

Khajehsharifi, H., Pourbasheer, E., Tavallali, H., Sarvi, S. y Sadeghi, M. La comparación de mínimos cuadrados parciales y regresión de componentes principales en la determinación espectrofotométrica simultánea de ácido ascórbico, dopamina y ácido úrico en muestras reales. Árabe. J. química. 10, S3451–S3458. https://doi.org/10.1016/j.arabjc.2014.02.006 (2017).

Artículo CAS Google Scholar

Pervez, MN et al. Moda sostenible: el diseño del experimento asistido por aprendizaje automático para el acabado de resina respetuoso con el medio ambiente de tejidos de algodón. Heliyón. 9, e12883. https://doi.org/10.1016/j.heliyon.2023.e12883 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Hazama, K. & Kano, M. Mínimos cuadrados parciales ponderados localmente basados en covarianza para modelado adaptativo de alto rendimiento. Quimio. Intel. Laboratorio. Sistema. 146, 55–62. https://doi.org/10.1016/j.chemolab.2015.05.007 (2015).

Artículo CAS Google Scholar

Nasonova, A., Levy, GJ, Rinot, O., Eshel, G. y Borisover, M. Materia orgánica en extractos acuosos de suelo: predicción de atributos de composición a partir de espectros de IR medio del suelo a granel utilizando regresiones parciales de mínimos cuadrados. Geoderma 411, 115678. https://doi.org/10.1016/j.geoderma.2021.115678 (2022).

Artículo ADS CAS Google Scholar

Zhang, X., Kano, M. & Li, Y. Regresión de mínimos cuadrados parciales del kernel ponderada localmente basada en características no lineales dispersas para la detección virtual de procesos no lineales que varían en el tiempo. Computadora. Química. Ing. 104, 164-171. https://doi.org/10.1016/j.compchemeng.2017.04.014 (2017).

Artículo CAS Google Scholar

Ngu, JCY y Yeo, C. Un estudio comparativo de diferentes funciones del núcleo aplicadas al modelo LW-KPLS para procesos no lineales. Biointerfaz. Res. Aplica. Química. 13, 184. https://doi.org/10.33263/BRIAC132.184 (2022).

Artículo de Google Scholar

Yeo, WS, Saptoro, A. y Kumar, P. Desarrollo de un sensor blando adaptativo utilizando un modelo de mínimos cuadrados parciales del núcleo ponderado localmente. Química. Pinchar. Proceso. Modelo. https://doi.org/10.1515/cppm-2017-0022 (2017).

Artículo de Google Scholar

Guo, Y. et al. Avances de la investigación, modelos y simulación de la tecnología de electrohilado: una revisión. J. Mater. Ciencia. 57, 58-104. https://doi.org/10.1007/s10853-021-06575-w (2022).

Artículo ADS CAS PubMed Google Scholar

Wang, C., Hsu, C.-H. y Lin, J.-H. Leyes de escala en electrohilado de soluciones de poliestireno. Macromoléculas 39, 7662–7672. https://doi.org/10.1021/ma060866a (2006).

Artículo ADS CAS Google Scholar

Wang, C., Hsu, C.-H. & Hwang, IH Leyes de escalado y estructura interna para caracterizar fibras de poli[(R)-3-hidroxibutirato] electrohiladas. Polímero 49, 4188–4195. https://doi.org/10.1016/j.polymer.2008.07.033 (2008).

Artículo CAS Google Scholar

Yousefi, SH, Tang, C., Tafreshi, HV y Pourdeyhimi, B. Modelo empírico para simular la morfología de esteras de policaprolactona electrohiladas. J. Aplica. Polimero. 136, 48242. https://doi.org/10.1002/app.48242 (2019).

Artículo CAS Google Scholar

Ziabari, M., Mottaghitalab, V. & Haghi, AK Un nuevo enfoque para la optimización del proceso de formación de nanofibras electrohiladas. Coreano. J. química. Ing. 27, 340–354. https://doi.org/10.1007/s11814-009-0309-1 (2010).

Artículo CAS Google Scholar

Viana, VR, Ferreira, WH, Azero, EG, Dias, ML & Andrade, CT Optimización de las condiciones de electrohilado mediante diseño de Box-Behnken para preparar nanofibras reticuladas de poli (alcohol vinílico) / quitosano. J. Mater. Ciencia. Química. Ing. 8, 13. https://doi.org/10.4236/msce.2020.84002 (2020).

Artículo CAS Google Scholar

Thirugnanasambandham, K. & Sivakumar, V. Preparación de nanofibras a base de quitosano: optimización y modelado. En t. J. química. Reaccionar. 14, 283–288. https://doi.org/10.1515/ijcre-2015-0029 (2016).

Artículo CAS Google Scholar

Amiri, N., Moradi, A., Tabasi, SAS y Movaffagh, J. Modelado y optimización de procesos de electrohilado de nanofibras de quitosano-colágeno mediante metodología de superficie de respuesta. Madre. Res. Expreso 5, 045404. https://doi.org/10.1088/2053-1591/aaba1d (2018).

Artículo ADS CAS Google Scholar

Neill, SP y Hashemi, MR en Fundamentos de las energías renovables oceánicas (eds Neill, SP y Reza Hashemi, M.) 193–235 (Academic Press, 2018).

Yeo, WS, Saptoro, A. & Kumar, P. Desarrollo de sensores blandos adaptativos para procesos no gaussianos y no lineales. Ing. de Indiana. Química. Res. 58, 20680–20691. https://doi.org/10.1021/acs.iecr.9b03821 (2019).

Artículo CAS Google Scholar

Thien, TF y Yeo, WS Un estudio comparativo entre PCR, PLSR y LW-PLS sobre el rendimiento predictivo en diferentes índices de división de datos. Química. Ing. Comunitario. 209, 1439-1456. https://doi.org/10.1080/00986445.2021.1957853 (2022).

Artículo CAS Google Scholar

Yeo, WS, Saptoro, A. y Kumar, P. Tratamiento de datos faltantes para modelado parcial basado en mínimos cuadrados ponderado localmente: un estudio comparativo. Asia-Pacífico. J. química. Ing. 15, e2422. https://doi.org/10.1002/apj.2422 (2020).

Artículo CAS Google Scholar

Yeo, WS En 2021 Conferencia Internacional sobre Energía Verde, Computación y Tecnología Sostenible (GECOST). 1 a 5 (IEEE).

Pervez, MN et al. Fabricación en un solo paso de novedosas membranas compuestas de nanofibras electrohiladas a base de polietersulfona para el tratamiento de aguas residuales de la industria alimentaria. Membranas 12, 413. https://doi.org/10.3390/membranes12040413 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Pervez, MN, Stylios, GK, Liang, Y., Ouyang, F. & Cai, Y. Síntesis a baja temperatura de nuevas membranas nanofibrosas de polivinilalcohol (PVA) para la degradación catalítica de tintes. J. Limpio. Pinchar. 262, 121301. https://doi.org/10.1016/j.jclepro.2020.121301 (2020).

Artículo CAS Google Scholar

Levada, ALM Parametric PCA para aprendizaje métrico no supervisado. Patrón. Reconocer. Letón. 135, 425–430. https://doi.org/10.1016/j.patrec.2020.05.011 (2020).

ADS del artículo Google Scholar

Kano, M. y Fujiwara, K. Tecnología de detección virtual en industrias de procesos: tendencias y desafíos revelados por aplicaciones industriales recientes. J. química. Ing. Japón. 46, 1-17. https://doi.org/10.1252/jcej.12we167 (2013).

Artículo CAS Google Scholar

Yang, S., Li, H., Gou, X., Bian, C. y Shao, Q. Modelo de mapeo de la teoría de resonancia adaptativa bayesiana optimizado utilizando un núcleo cuadrático racional y regularización cuadrática bayesiana. Aplica. Intel. 52, 7777–7792. https://doi.org/10.1007/s10489-021-02883-5 (2022).

Artículo de Google Scholar

Yeo, WS, Chan, MK y Bukhari, NA en Computación inteligente y optimización. (eds Vasant, P., Zelinka, I. y Weber, GW.) 927–937 (Springer International Publishing).

Yeo, WS & Lau, WJ Predicción del índice de blancura de telas de algodón con un modelo de mínimos cuadrados. Celulosa 28, 8841–8854. https://doi.org/10.1007/s10570-021-04096-y (2021).

Artículo CAS Google Scholar

Škrabánek, P., Marek, J. & Pozdílková, A. Línea de regresión difusa de Boscovich. Matemáticas 9, 685. https://doi.org/10.3390/math9060685 (2021).

Artículo de Google Scholar

Guimarães, ACF & Lapa, CMF Fuzzy FMEA aplicado al sistema de control de volumen y químico PWR. Prog. Núcleo. Energía. 44, 191–213. https://doi.org/10.1016/S0149-1970(04)90010-8 (2004).

Artículo de Google Scholar

Vempati, S., Vedaldi, A., Zisserman, A. y Jawahar, C. En Conferencia británica sobre visión artificial, BMVC 2010. 1–11.

Kaneko, H. Estimación de la confiabilidad de las predicciones en modelos de mínimos cuadrados parciales ponderados localmente. J. Chemom. 35, e3364. https://doi.org/10.1002/cem.3364 (2021).

Artículo CAS Google Scholar

Veerasamy, R. y col. Validación de modelos QSAR-estrategias e importancia. En t. J. Desdrogas de drogas. Disco 3, 511–519 (2011).

Google Académico

Palani, S., Liong, S.-Y. & Tkalich, P. Una aplicación ANN para el pronóstico de la calidad del agua. Mar. Contaminación. Toro. 56, 1586-1597. https://doi.org/10.1016/j.marpolbul.2008.05.021 (2008).

Artículo CAS PubMed Google Scholar

Descargar referencias

Este trabajo fue apoyado financieramente por el Proyecto de Apertura del Laboratorio Clave de Fibras de Biomasa y Tinte y Acabado Ecológico de Hubei, Número de Proyecto: STRZ202115. Nos gustaría expresar nuestro más sincero agradecimiento por el apoyo de la División de Ingeniería Ambiental Sanitaria (SEED) y las subvenciones (proyectos FARB) de la Universidad de Salerno, Italia, coordinadas por V. Naddeo. Número de subvención: 300393FRB22NADDE.

Laboratorio Provincial de Ingeniería de Hubei para la Producción Limpia y la Utilización de Alto Valor de Materiales Textiles de Base Biológica, Universidad Textil de Wuhan, Wuhan, 430200, China

Dra. Nahid Pervez, Dra. Eman Talukder y Yingjie Cai

División de Ingeniería Ambiental Sanitaria (SEED), Departamento de Ingeniería Civil, Universidad de Salerno, 84084, Fisciano, Italia

Maryland. Nahid Pervez y Vincenzo Naddeo

Departamento de Ingeniería Química y Energética, Facultad de Ingeniería y Ciencias, Universidad Curtin de Malasia, CDT 250, 98009, Miri, Sarawak, Malasia

Wan Sieng Yeo

Facultad de Nutrición y Ciencias de los Alimentos, Universidad de Ciencia y Tecnología de Patuakhali, Patuakhali, 8602, Bangladesh

Sra. Monira Rahman Mishu

Departamento de Ingeniería Química, Universidad de Ingeniería y Tecnología de Bangladesh, Dhaka, 1000, Bangladesh

Hridoy Roy y Md. Shahinoor Islam

Centro de Investigación de Ingeniería de Biotransformación de Residuos Sólidos Orgánicos de Shanghai, Facultad de Ciencias Ecológicas y Ambientales, Universidad Normal del Este de China e Instituto de Eco-Chongming, Shanghai, 200241, China

Yaping Zhao

Instituto de Investigación de Materiales Flexibles, Escuela de Textiles y Diseño, Universidad Heriot-Watt, Galashiels, TD1 3HF, Reino Unido

George K. Stylios

También puedes buscar este autor en PubMed Google Scholar.

MNP, MMRM realizó todo el trabajo experimental y escribieron las partes experimentales y de resultados. MNP, WSY, MET, HR, MSI, YZ escribieron y editaron el resumen, la introducción y la revisión de la literatura. GKS, VN, YC Adquisición de fondos, administración de proyectos, supervisión, redacción: revisión y edición. Y todos los autores revisaron el manuscrito.

Correspondencia a Yingjie Cai, George K. Stylios o Vincenzo Naddeo.

Los autores declaran no tener conflictos de intereses.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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

Pervez, MN, Yeo, WS, Mishu, MMR et al. Predicción del diámetro de la membrana de nanofibras electrohiladas utilizando una metodología de superficie de respuesta combinada y un enfoque de aprendizaje automático. Informe científico 13, 9679 (2023). https://doi.org/10.1038/s41598-023-36431-7

Descargar cita

Recibido: 03 de abril de 2023

Aceptado: 03 de junio de 2023

Publicado: 15 de junio de 2023

DOI: https://doi.org/10.1038/s41598-023-36431-7

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

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

Proporcionado por la iniciativa de intercambio de contenidos 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.

Noticias

Predicción del diámetro de la membrana de nanofibras electrohiladas utilizando una metodología de superficie de respuesta combinada y un enfoque de aprendizaje automático