يجمع هذا البحث بين تقنيات تعلم الآلة وطريقة التأرجح الفولتامترية النبضية ذات المربعات المربعة (SWASV) لتحسين القدرة على الكشف المتزامن لأيونات المعادن الثقيلة Cd²⁺ وPb²⁺ وCu²⁺ وHg²⁺. تعتمد الطرق الكهربائية التقليدية للكشف عن أيونات المعادن الثقيلة بشكل رئيسي على البحث عن فترة الاستجابة الخطية ضمن نطاق تركيز معين، وغالبًا ما تظهر منحنيات SWASV تداخلًا في بيئة متعددة الأيونات، مما يقلل من الدقة. استخدم هذا البحث إلكترود الكربون العاري لإجراء اختبارات SWASV متكررة على محاليل أيونية من تركيزات مختلفة، وتم استخراج الميزات من بيانات الكشف مثل قيم التيار، جهد الذروة، ومساحة الذروة، وتم بناء نماذج التنبؤ بالتركيز باستخدام التعزيز التدريجي المتطرف (XGBoost) والغابات العشوائية (RF)، في حين استخدم الدعم الآلي المتجه (SVM) للتنبؤ التصنيفي. كان أداء SVR في الخوارزميات التصنيفية الأفضل (مساحة ROC لأربع أيونات أكبر من 0.95)، وحقق نموذج التنبؤ بالتركيز باستخدام XGBoost معدل توافق (R-Squared) أعلى من 0.95 بين القيم المتنبأ بها والقيم الحقيقية مقارنةً بنموذج RF. من خلال الجمع بين SWASV وتعلم الآلة، يمكن تحقيق الكشف عالي الدقة للأيونات في نظم مزيجة معقدة، وزيادة موثوقية نتائج الكشف بشكل فعال. تقدم نتائج هذا البحث حلاً مبتكرًا لرصد البيئة والتحكم في تلوث أيونات المعادن الثقيلة المتعددة، وتعرض تطبيقات تعلم الآلة في مجال التحليل الكهربائي.

التحليل الكهربائي;أيونات المعادن الثقيلة;تعلم الآلة;تحليل التداخل