PERFLUOROOCTANOIC ACIDS (PFOA) REMOVAL USING ELECTROCHEMICAL OXIDATION: A MACHINE LEARNING APPROACH. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF ALNAIMAT_MS_Thesis_KFUPM Format-Draft Updated.pdf Restricted to Repository staff only until 9 January 2026. Download (6MB)

Arabic Abstract

أدت الحاجة الملحة إلى طرق فعالة للقضاء على حمض البيرفلوروكتانويك )PFOA )إلى وضع األكسدة الكهربائية )oxidation Electro )كحل رائد لتدهور الملوثات. في هذا المسعى، تقدم نماذج التعلم اآللي )learning Machine ) نهجا قويا للتنبؤ بدقة بكفاءة األكسدة الكهربائية في ظل ظروف تجريبية متنوعة. تقيم هذه الدراسة بدقة نماذج التعلم االلي المتعددة ، بما في ذلك ك-أقرب جيران (KNN (Neighbors Nearest-K ، وشجرة القرار )DT )، والغابة العشوائية )RF )، وأشجار القرار المعززة بالتدرج )GBDT )، والتعلم العميق )DL )، للتنبؤ بكفاءة إزالة PFOA. تسلط النتائج الضوء على األداء االستثنائي لنماذج DT و RF ، التي تتميز بمعدالت خطأ منخفضة ودقة تنبؤية عالية. على وجه التحديد ، قيم جذر متوسط مربع الخطأ )RMSE )هي 9.7 ل DT و 7.9 للترددات الالسلكية ، مع معامالت ارتباط بين القيم الفعلية والمتوقعة تبلغ 0.94 و 0.97 ، على التوالي. تكشف هذه النتائج عن اختالفات األداء الدقيقة بين النماذج ، مع مالحظة نموذج RF بشكل خاص لمتانته واتساقه مع نتائج العالم الحقيقي ، والتي تؤكدها تقييمات المقاييس الشاملة. تؤكد هذه الدراسة على الدور الحاسم الختيار النماذج التي ال تضمن الدقة العالية فحسب، بل تعمل أيضا على تحسين الكفاءة الحسابية. عالوة على ذلك، فإنه يلقي الضوء على التأثير الكبير للمعلمات التشغيلية، مثل كثافة التيار، ودرجة الحموضة، وتباعد األقطاب الكهربائية، على عملية منظمة أصحاب العمل. باستخدام تحسين سرب الجسيمات )PSO )لترجيح السمات داخل نموذج التردد الالسلكي، تم تحديد أن عوامل مثل درجة الحرارة وتركيز المنحل بالكهرباء وتكوين مصفوفة الماء لها تأثير طفيف نسبيا على كفاءة EO. بشكل عام، تقدم هذه الدراسة إطارا قويا للتعلم اآللي للتنبؤ بكفاءة EO في إزالة PFOA ، مما يوفر أداة موثوقة لتحسين وتطوير تقنيات تحلل الملوثات.

English Abstract

The urgent need for effective methods to eliminate Perfluorooctanoic Acid (PFOA) has positioned electrooxidation (EO) as a leading solution for pollutant degradation. In this pursuit, machine learning (ML) models offer a powerful approach to accurately predict EO efficiency under diverse experimental conditions. This study rigorously evaluates multiple ML models, including K-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF), Gradient Boosted Decision Trees (GBDT), and Deep Learning (DL), to forecast PFOA removal efficiency. The results highlight the exceptional performance of DT and RF models, characterized by low error rates and high predictive accuracy. Specifically, the root mean square error (RMSE) values are 9.7 for DT and 7.9 for RF, with correlation coefficients between actual and predicted values of 0.94 and 0.97, respectively. These findings reveal the subtle performance differences between the models, with the RF model particularly noted for its robustness and consistency with real-world outcomes, corroborated by comprehensive metric evaluations. This study underscores the crucial role of selecting models that not only ensure high accuracy but also optimize computational efficiency. Moreover, it sheds xiv light on the significant influence of operational parameters, such as current density, pH, and electrode spacing, on the EO process. Utilizing Particle Swarm Optimization (PSO) for attribute weighting within the RF model, it was determined that factors like temperature, electrolyte concentration, and water matrix composition have a comparatively minor impact on EO efficiency. Overall, this study presents a robust ML framework for predicting EO efficiency in PFOA removal, offering a reliable tool for optimizing and advancing pollutant degradation technologies.

Item Type:	Thesis (Masters)
Subjects:	Civil Engineering > Water and Environmental Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor:	Elnakar, Haitham
Committee Members:	Al-Suwaiyan, m.s and Al-Osta, Mohammed
Depositing User:	SALLY ALNAIMAT (g202201200)
Date Deposited:	20 Jan 2025 11:23
Last Modified:	20 Jan 2025 11:23
URI:	http://eprints.kfupm.edu.sa/id/eprint/143247