|
عنوان
|
مدل سازی فرآیند جذب رنگزای اسیدی آبی 62 از محیط های آبی با ترکیب آلی-فلزی حاوی آلومینیوم با استفاده از روش های شبکه عصبی مصنوعی، رگرسیون خطی و غیرخطی چندگانه
|
|
نوع پژوهش
|
مقاله چاپ شده
|
|
کلیدواژه‌ها
|
رگرسیون خطی چندگانه، رگرسیون غیرخطی چندگانه، فرآیند جذب، مدل شبکه عصبی MIL-53(Al)-NH مصنوعی
|
|
چکیده
|
زمینه و هدف: مدل سازی جذب ترکیبات آلاینده از محیط های آبی با کم ترین تعداد آزمایشات، یکی از دغدغه های محققین می باشد. مطالعه حاضر با هدف مدل سازی فرآیند جذب رنگزای اسیدی آبی 62 با انجام شد. (MIL-53(Al)-NH ترکیب آلی- فلزی حاوی آلومینیوم ( 2 از ماده اولیه 2- آمینو ترفتالیک اسید و نیترات MIL-53(Al)-NH مواد و روش ها: در این پژوهش، 2 آلومینیوم سنتز شد. پس از بررسی پارامترهای مؤثر بر جذب رنگزا، از روش های شبکه عصبی مصنوعی برای پیش بینی میزان (MNLR) و رگرسیون غیرخطی چندگانه (MLR) رگرسیون خطی چندگانه ،(ANN) جذب رنگزا استفاده شد. میکروسکوپ الکترونی روبرشی گسیل ،(XRD) یافته ها: نتایج به دست آمده از آنالیز پراش اشعه ایکس را نشان داد. MIL-53(Al)-NH و طیف سنج مادون قرمز تبدیل فوریه سنتز مناسب 2 (FE-SEM) میدانی 0 گرم و دمای 25 درجه سانتی گراد / زمان 60 دقیقه، میزان جاذب 02 ،pH= شرایط بهینه به صورت 2 می باشد. بر اساس نتایج، در مقایسه بین سه روش استفاده شده، مدل شبکه عصبی از بالاترین دقت پیش بینی برخوردار است. خروجی ایجاد شده با استفاده از این مدل در قیاس با مدل های رگرسیون خطی و بیشترین مقدار ضریب همبستگی (RMSE) و غیرخطی چندگانه، کمترین جذر میانگین مربعات خطا با داده های واقعی را دارا می باشد. (CC) یک جاذب کارآمد بوده و در ضمن MIL-53(Al)-NH نتیجه گیری: با توجه به نتایج می توان دریافت که 2 با توجه به کارایی بالای مدل شبکه عصبی مصنوعی، می توان از این مدل جهت حصول اطمینان از نتایج حذف رنگزا و کاهش هزینه به واسطه کاهش تعداد آزمایشات استفاده کرد.
|
|
پژوهشگران
|
خدیجه آقاجانی (نفر سوم)، مانا اباذری (نفر دوم)، حبیب الله طیبی (نفر اول)
|