کاربرد شبکه های عصبی مصنوعی در مدل سازی احیاء فتوکاتالیزوری Cr(VI) توسط نانوذرات تیتانیوم دی اکسید: بهینه سازی ساختار شبکه عصبی مصنوعی
کروم در بسیاری از پساب های صنعتی به فرم های Cr (III) و Cr (VI) یافت می شود. سمیت Cr (III) به مراتب از Cr (VI) کمتر هست. در این مقاله هدف بهینه سازی ساختار شبکه عصبی مصنوعی در مدل سازی احیاء فتوکاتالیزوری Cr (VI) توسط نانوذرات TiO2-P25 است.
در این کار شبکه عصبی مصنوعی (ANN) برای مدل سازی احیاء فتوکاتالیزوری Cr (VI) به Cr (III) توسط نانوذرات P25-TiO2 مورد استفاده قرار گرفته و ساختار آن بهینه سازی شده است. پارامترهای عملیاتی مورد مطالعه عبارتند از: غلظت اولیه کروم، غلظت فتوکاتالیزور، زمان تابش نور فرابنفش و pH. فرایند احیاء درون یک فتوراکتور ناپیوسته صورت گرفته و برای اندازه گیری غلظت (Cr(VI از دستگاه اسپکتروفتومتر UV/Vis استفاده شده است. محاسبات ANN با استفاده از نرم افزار Matlab 7 و جعبه ابزار ANN انجام شده است.
نتایج نشان می دهد که بهینه سازی ساختار ANN و استفاده از الگوریتم و توابع انتقال مناسب می تواند کارایی شبکه را بهبود بخشد. نتایج حاصله با توجه به ضریب همبستگی مناسب (0/9886) و خطای میانگین کوچک (0/00018) نشان می دهد که عملکرد شبکه عصبی پیشنهادی برای مدل سازی فعالیت نانوذرات P25-TiO2 در احیاء Cr (VI) ، قابل قبول است. نتایج نشان می دهد که همه پارامترها بر روی احیاء فتوکاتالیزوری Cr (VI) تاثیر دارند، اما تاثیر pH با 34/15 درصد سهم بیشتر از پارامترهای دیگر است. بیشترین احیاء فتوکاتالیزوری Cr (VI) درpH برابر با 2 رخ می دهد و افزایش دو پارامتر مقدار فتوکاتالیزور و زمان تابش نور در محدوده مورد مطالعه سبب افزایش احیاء Cr (VI) می شوند.
ساختار بهینه ANN عبارت است از یک شبکه سه لایه پیش خور پس انتشار با توپولوژی 4:10: 1 و مناسب ترین الگوریتم، الگوریتم پس انتشار گرادیان مزدوج هست.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.