دوره 6، شماره 1 - ( 9-1397 )
جلد 6 شماره 1 صفحات 66-42 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farzan M, Miralinaghi M. Optimization of Removal Efficiency of An Anionic Dye Onto Magnetic Fe3O4-Activated Carbon Nanocomposite Using Artificial Neural Network. J Environ Health Eng 2018; 6 (1) :42-66
URL: http://jehe.abzums.ac.ir/article-1-577-fa.html
URL: http://jehe.abzums.ac.ir/article-1-577-fa.html
فرزان مریم، میرعلینقی مهساسادات. بهینه سازی حذف رنگزای آنیونی روی نانوکامپوزیت مغناطیسی کربن فعال با استفاده از شبکه های عصبی مصنوعی -Fe3O4. مجله مهندسی بهداشت محیط. 1397; 6 (1) :42-66
گروه شیمی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد ورامین- پیشوا، ورامین، ایران
چکیده: (2318 مشاهده)
زمینه و هدف: پساب های حاوی رنگزاها که از صنایع مختلف تولید می شوند، اثرات و پیامدهای مخربی بر محیط
زیست میگذارند. از این رو، ارائهی مدلهای ریاضی تحلیلی و عددی که قادر به شبیه سازی فرایند حذف رنگ از
پسابهای صنعتی باشند، از اهمیت بسیاری برخوردار است.
کربن فعال به روش هم رسوبی سنتز و ساختار -Fe3O مواد و روشها: در این پژوهش، ابتدا نانوکامپوزیت مغناطیسی 4
شناسایی شد. کارآیی جاذب VSM و ،SEM ،XRD بلوری و ویژگیهای سطحی و مغناطیسی آن با تکنیک های
کامپوزیتی برای حذف رنگزای آنیونی ری اکتیو رد از محلول آبی در شرایط مختلف مورد بررسی قرار گرفت. سپس،
یک شبکهی عصبی مصنوعی برای پیش بینی بازدهی حذف رنگزا به وسیله ی (Matlab) با استفاده از نرم افزار متلب
زمان تماس، غلظت ،pH کربن فعال مغناطیسی طراحی و تعداد لایههای پنهان آن بهینه شد. بدین منظور، پارامترهای
اولیهی رنگزا، و دما به عنوان ورودی، و درصد حذف رنگزا به عنوان خروجی شبکه ی عصبی در نظر گرفته شد.
عملکرد شبکه پس از آموزش آن بر مبنای ضریب همبستگی مورد ارزیابی قرار گرفت. دادههای تجربی با مدل های
سینتیکی شبه مرتبهی اول، شبه مرتبهی دوم، و نفوذ درون-ذرهای برازش شد. مدل های لانگمویر و فروندلیچ برای
توصیف ایزوترمهای تعادلی جذب به کار برده شدند.
یافته ها: ضریب بالای همبستگی برای دادههای آزمون ( 989530) نشان داد که مدل شبکه ی عصبی در پیش بینی /
داده های تجربی موفق است. مدل های سینتیکی درون-ذرهای و ایزوترم فروندلیچ با داده های تجربی انطباق بیشتری
34/6 ) نشان داد که جذب سطحی دارای ماهیت فیزیکی است. حداکثر kJ mol– داشتند. انرژی فعالسازی نسبتاً پایین ( 1
ظرفیت جذب با افزایش دما کاهش یافت.
نتیجه گیری: استفاده از پیشبینی شبکه ی عصبی منجر به حذف آزمایش های تکراری و بهبود درصد حذف رنگزا
می شود
زیست میگذارند. از این رو، ارائهی مدلهای ریاضی تحلیلی و عددی که قادر به شبیه سازی فرایند حذف رنگ از
پسابهای صنعتی باشند، از اهمیت بسیاری برخوردار است.
کربن فعال به روش هم رسوبی سنتز و ساختار -Fe3O مواد و روشها: در این پژوهش، ابتدا نانوکامپوزیت مغناطیسی 4
شناسایی شد. کارآیی جاذب VSM و ،SEM ،XRD بلوری و ویژگیهای سطحی و مغناطیسی آن با تکنیک های
کامپوزیتی برای حذف رنگزای آنیونی ری اکتیو رد از محلول آبی در شرایط مختلف مورد بررسی قرار گرفت. سپس،
یک شبکهی عصبی مصنوعی برای پیش بینی بازدهی حذف رنگزا به وسیله ی (Matlab) با استفاده از نرم افزار متلب
زمان تماس، غلظت ،pH کربن فعال مغناطیسی طراحی و تعداد لایههای پنهان آن بهینه شد. بدین منظور، پارامترهای
اولیهی رنگزا، و دما به عنوان ورودی، و درصد حذف رنگزا به عنوان خروجی شبکه ی عصبی در نظر گرفته شد.
عملکرد شبکه پس از آموزش آن بر مبنای ضریب همبستگی مورد ارزیابی قرار گرفت. دادههای تجربی با مدل های
سینتیکی شبه مرتبهی اول، شبه مرتبهی دوم، و نفوذ درون-ذرهای برازش شد. مدل های لانگمویر و فروندلیچ برای
توصیف ایزوترمهای تعادلی جذب به کار برده شدند.
یافته ها: ضریب بالای همبستگی برای دادههای آزمون ( 989530) نشان داد که مدل شبکه ی عصبی در پیش بینی /
داده های تجربی موفق است. مدل های سینتیکی درون-ذرهای و ایزوترم فروندلیچ با داده های تجربی انطباق بیشتری
34/6 ) نشان داد که جذب سطحی دارای ماهیت فیزیکی است. حداکثر kJ mol– داشتند. انرژی فعالسازی نسبتاً پایین ( 1
ظرفیت جذب با افزایش دما کاهش یافت.
نتیجه گیری: استفاده از پیشبینی شبکه ی عصبی منجر به حذف آزمایش های تکراری و بهبود درصد حذف رنگزا
می شود
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
