fa بهینه سازی حذف رنگزای آنیونی روی نانوکامپوزیت مغناطیسی کربن فعال با استفاده از شبکه های عصبی مصنوعی -Fe3O4 تخصصي Special پژوهشي Research زمینه و هدف: پساب های حاوی رنگزاها که از صنایع مختلف تولید می شوند، اثرات و پیامدهای مخربی بر محیط<br> زیست میگذارند. از این رو، ارائهی مدلهای ریاضی تحلیلی و عددی که قادر به شبیه سازی فرایند حذف رنگ از<br> پسابهای صنعتی باشند، از اهمیت بسیاری برخوردار است.<br> کربن فعال به روش هم رسوبی سنتز و ساختار -Fe3O مواد و روشها: در این پژوهش، ابتدا نانوکامپوزیت مغناطیسی 4<br> شناسایی شد. کارآیی جاذب VSM و ،SEM ،XRD بلوری و ویژگیهای سطحی و مغناطیسی آن با تکنیک های<br> کامپوزیتی برای حذف رنگزای آنیونی ری اکتیو رد از محلول آبی در شرایط مختلف مورد بررسی قرار گرفت. سپس،<br> یک شبکهی عصبی مصنوعی برای پیش بینی بازدهی حذف رنگزا به وسیله ی (Matlab) با استفاده از نرم افزار متلب<br> زمان تماس، غلظت ،pH کربن فعال مغناطیسی طراحی و تعداد لایههای پنهان آن بهینه شد. بدین منظور، پارامترهای<br> اولیهی رنگزا، و دما به عنوان ورودی، و درصد حذف رنگزا به عنوان خروجی شبکه ی عصبی در نظر گرفته شد.<br> عملکرد شبکه پس از آموزش آن بر مبنای ضریب همبستگی مورد ارزیابی قرار گرفت. دادههای تجربی با مدل های<br> سینتیکی شبه مرتبهی اول، شبه مرتبهی دوم، و نفوذ درون-ذرهای برازش شد. مدل های لانگمویر و فروندلیچ برای<br> توصیف ایزوترمهای تعادلی جذب به کار برده شدند.<br> یافته ها: ضریب بالای همبستگی برای دادههای آزمون ( 98953<span background-color:="" font-size:="" sans="" source="" style="color: rgb(51, 51, 51); font-family: Tahoma, Arial, Verdana, ">0) نشان داد که مدل شبکه ی عصبی در پیش بینی /&nbsp;</span><br> داده های تجربی موفق است. مدل های سینتیکی درون-ذرهای و ایزوترم فروندلیچ با داده های تجربی انطباق بیشتری<br> 34/6 ) نشان داد که جذب سطحی دارای ماهیت فیزیکی است. حداکثر kJ mol&ndash; داشتند. انرژی فعالسازی نسبتاً پایین ( 1<br> ظرفیت جذب با افزایش دما کاهش یافت.<br> نتیجه گیری: استفاده از پیشبینی شبکه ی عصبی منجر به حذف آزمایش های تکراری و بهبود درصد حذف رنگزا<br> می شود Background and objective: Wastewaters including dyes produced by various industries have serious<br> destructive effects on the environment. Therefore, proposing analytical and numerical mathematics<br> methods simulating dye removal process from industrial wastewaters are great of importance.<br> Methods: In this research, the Fe3O4-activated carbon magnetic nanocomposite was synthesized and<br> its crystalline structure, surface, and magnetic properties were characterized by XRD, SEM, and VSM<br> techniques. Efficiency of the composite adsorbent for decolorization of Reactive Red dye in different<br> conditions was investigated. Then, an artificial neural network was constructed by using Matlab<br> program to predict the removal efficiency of dye onto magnetic activated carbon and the number of<br> neurons in a hidden layer was optimized. pH, contact time, initial dye concentration, and temperature<br> as input parameters and dye removal percentage as an output parameter were considered.<br> Performance of network after its training was evaluated based on the correlation factor. The<br> experimental data were analyzed by pseudo- first- order, pseudo- second- order , and intra-particle<br> diffusion kinetics models.The Langmuir and Freundlich models were used to describe the sorption<br> equilibrium isotherms.<br> Results: . The high correlation factor for testing data showed that artificial neural network model can<br> estimate the experimental data. The intra-particle diffusion kinetics and Freundlich isotherm models<br> best describe the experimental data for the uptake of dye. A relatively low activation energy (34.6 kJ<br> mol-1) suggests that the adsorption involve physio sorption. Maximum adsorption capacity decreased<br> with increasing temperature.<br> Conclusion: Use of network prediction resulted to eliminate experiments and to improve dye<br> removal percentage. نانوکامپوزیت, جذب سطحی, شبکهی عصبی مصنوعی, رنگزای ریاکتیو nanocomposite, adsorption, artificial neural network, Reactive dye 42 66 http://jehe.abzums.ac.ir/browse.php?a_code=A-10-323-3&slc_lang=fa&sid=1 Maryam Farzan مریم فرزان 10031947532846004361 10031947532846004361 No Water and Wastewater Treatment Plant, Ali Dare Industrial Park, Firoozkooh, Iran تصفیه خانه ی آب و فاضلاب، شهرک صنعتی علیدره، فیروزکوه، ایران Mahsasadat Miralinaghi مهساسادات میرعلینقی msmiralinaghi@gmail.com 10031947532846004362 10031947532846004362 Yes Department of Chemistry, Faculty of Science, Islamic Azad University, Vramin-Pishva Branch,Varamin, Iran گروه شیمی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد ورامین- پیشوا، ورامین، ایران