در این مطالعه، حذف آرسنیک (As) توسط گیاه Ludwigia octovalvis در بستر نی پایلوت بهینه شد. یک طرح Box-Behnken شامل تجزیه و تحلیل مقایسه‌ای روش‌شناسی سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) برای پیش‌بینی حداکثر حذف آرسنیک استفاده شد. شرایط بهینه پیش بینی شده با استفاده از تابع مطلوبیت هر دو مدل 39 میلی گرم در کیلوگرم برای غلظت آرسنیک در خاک، زمان سپری شده 42 روز (روز نمونه برداری) و سرعت هوادهی 0.22 لیتر در دقیقه، با مقادیر پیش بینی شده بود. حذف آرسنیک توسط RSM و ANN به ترتیب 72.6% و 71.4% بود. اعتبار سنجی نقطه بهینه پیش بینی شده حذف آرسنیک واقعی 70.6٪ را نشان داد. این با انحراف بین مقدار اعتبارسنجی و مقادیر پیش‌بینی‌شده در 3.49٪ (RSM) و 1.87٪ (ANN) به دست آمد. ارزیابی عملکرد مدل‌های RSM و ANN نشان داد که ANN با R2 بالاتر (0.97) نزدیک به 1.0 و میانگین انحراف مطلق بسیار کوچک (AAD) (0.02) و ریشه میانگین مربعات خطا (RMSE) (0.004) بهتر از RSM عمل می‌کند. مقادیر نزدیک به صفر هر دو مدل برای بهینه‌سازی حذف آرسنیک با ANN که توانایی پیش‌بینی و برازش قابل‌توجهی بالاتری نسبت به RSM نشان می‌دهند، مناسب بودند.
کلیدواژه: شبکه عصبی مصنوعی بهينه سازي؛ گیاه پالایی؛ مقیاس آزمایشی؛ روش شناسی سطح پاسخ