استفاده از شبکه های عصبی مصنوعی (ANN) در مدلسازی جذب بیولوژیکی فلز کروم (VI) از محلول های آبی

زمینه و هدف: در این تحقیق میزان حذف فلز کروم شش ظرفیتی از محلول­ های آبی با استفاده از جاذب بیولوژیکی لجن دفعی فاضلاب­ های شهری مطالعه شد. همچنین کارایی شبکه­ های عصبی در پیش­بینی جذب بیولوژیکی مورد بررسی قرار گرفت. روش بررسی: تاثیر پارامترهای غلظت اولیه، دز جاذب، pH، سرعت و  زمان اختلاط در راکتور ناپیوسته بر جذب کروم بررسی و قسمتی از نتایج آزمایشگاهی توسط شبکه عصبی پس انتشار پیش خور مدلسازی شد و بخش دیگری از نتایج برای سنجش دقت مدل شبیه­ سازی شد. بهینه­ سازی تابع انتقال و تعداد نورون­ های لایه مخفی انجام شد. یافته ها: شرایط بهینه در غلظت اولیهmg/L  ۹۰ ، دز جاذب ,pH= ۲ ,۴g/L سرعت اختلاط ۲۰۰rpm  و زمان اختلاط  ۱۲۰min حاصل شد و حداکثر میزان حذف ۹۶% و حداکثر ظرفیت جذب ۴۱/۶۹mg/g  بدست آمد. سینتیک جذب کروم با مدل شبه مرتبه دوم و ایزوترم جذب آن با مدل فروندلیچ تطابق دارد. در شبکه عصبی طراحی شده بهترین تابع انتقال در لایه ­های مخفی و خروجی تابع تانژانت سیگموئید و تعداد نورون بهینه برابر ۱۳ عدد تعیین شد. خروجی مدل با بردار هدف همبستگی (۰/۹۸۴=R) مناسبی دارد. شبیه­ سازی انجام شده با مدل شبکه عصبی، تطابق مناسبی با نتایج آزمایشگاهی دارد. نتیجه گیری: لجن دفعی مورد استفاده در این تحقیق قادر به حذف کروم از محیط­ های آبی است. استفاده از شبکه عصبی پس ­انتشار، تابع آموزشLevenberg-Marquardt ، تابع انتقال تانژانت سیگموئید در لایه­ های مخفی و خروجی و تعداد نورون های بین ۱/۶ تا ۱/۸ داده­ های ورودی، نتایج مناسبی برای پیش بینی فرایند جذب در پی خواهد داشت.

کلیدواژه ها:

biosorption ، Chromium (VI) ، neural network modeling ، Excess municipal sludge ، Freundlich isotherm ، جذب بیولوژیکی ، فلز کروم ، مدلسازی با شبکه عصبی ، لجن دفعی ، ایزوترم فروندلیچ