بهینه سازی فرایند جذب سطحی رنگ دی سولفین بلو توسط نانوذره ZnO-Cr نشانده شده برروی کربن فعال با استفاده از روش پاسخ سطح و مدل سازی با کمک شبکه عصبی مصنوعی

نوع مقاله: علمی-پژوهشی

نویسندگان

گروه شیمی، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران

چکیده

در این پژوهش از جاذب نانوذره ZnO-Cr  نشانده شده بر کربن فعال به منظور حذف رنگ دی سولفین بلو استفاده شده و سپس با کمک شبکه عصبی مصنوعی میزان حذف آن را پیش ­بینی شد. اثر پارامترهای گوناگون شامل pH، مقدار جاذب، غلظت رنگ­ ها و زمان به ­هم خوردن روی درصد حذف به روش فناوری­ های طراحی آزمایش مورد بررسی و بهینه شد. همچنین مدل­ های سینتیکی و هم ­دماهای جذبی و همچنین پارامترهای ترمودینامیکی مورد بررسی، و قابلیت استفاده آن ­ها در شرایط بهینه ارزیابی شد. پس از تجزیه و تحلیل نتیجه­ ها و مقایسه نقطه­ های بهینه آن ­ها برای جاذب نانوذره ZnO-Cr  نشانده شده بر کربن فعال درصد حذف رنگ دی سولفین بلو 70/98 درصد به دست آمد. در پایان، فرایند جذب به وسیله­ی شبکه عصبی مصنوعی مدل ­سازی شد که در این مطالعه پارامترهای زمان، مقدار جاذب، pH و غلظت رنگ به عنوان ورودی­ های شبکه، و درصد حذف رنگ به عنوان هدف شبکه در نظر گرفته شد. برای مدل ­سازی فرایند حذف بالا به روش شبکه عصبی مصنوعی، 15 نورون  برای حذف رنگ دی سولفین بلو به عنوان نورون بهینه در این مدل انتخاب شد. همچنین میانگین مربع­ های خطا در نورون بهینه برای حذف توسط جاذب نانوذره ZnO-Cr، 10-5×17/7 به دست آمد که عددی نزدیک به صفر است. با توجه به مقدارهای میانگین خطای مطلق محاسبه شده در مدل شبکه عصبی مصنوعی و پاسخ سطح نتیجه ­ها بیانگر آن است که شبکه عصبی مصنوعی در تطابق با داده ­های تجربی نسبت به روش پاسخ سطح قادر به مدل سازی بهتری است.

کلیدواژه‌ها

موضوعات


[2] Liu H., Li G., Qu J., Liu H., Degradation of Azo Dye Acid Orange 7 in Water by FeO/Granular Activated Carbon System in the Presence of Ultrasound, J. Hazard. Mater., 144 (1-2): 180-186 (2007).

[3] Purkait M.K., Maiti A., DasGupta S., De S., Removal of Congo Red Using Activated Carbon and Its Regeneration, J. Hazard. Mater., 145 (1): 287-295 (2007).

[4] Piperaki, E., Berndt, H., Jackwerth, E., Investigations on the Sorption of Metal Chelates on Activated CarbonAnal. Chim. Acta. 100: 589-596 (1978)

[5] Choi S. U. S., Enhancing Thermal Conductivity of Fluids with Nanoparticles, ASME Publications, 66: 99 (1995).

[7] Peng X., Luan Z., Di Z., Zhang Z., Zhu C., Carbon Nanotubes-Iron Oxides Magnetic Composites as Adsorbent for Removal of Pb (II) and Cu (II) from Water, Carbon, 43: 880-883 (2005).

[8] Chen C.L., Wang X.K., Nagatsu M., Europium Adsorption on Multiwall Carbon Nanotube/Iron Oxide Magnetic Composite in the Presence of Polyacrylic Acid, Sci.Technol., 43: 2362-2367 (2009).

[10] Arayne M.S., Sultana N., SabahN. U.,Fabrication of Solid Nanoparticles for Drug Delivery, Pak. J. Pharm. Sci., 20: 251-259 (2007).

[11] Bhattacharyya K. G., Sarma A., Adsorption Characteristics of the Dye, Brilliant Green, on Neem Leaf Powder, Dyes Pigm., 57:211-222 (2007).

[12] Chen C. C., Lu C. S., Chung Y. C., JanJ. L., UV Light Induced Photodegradation of Malachite Green on Tio2 Nanoparticles, J. Hazard. Mater., 141: 520-528 (2007).

[14] Ghaedi M., Heidarpour Sh., Kokhdan S. N., Sahraei R., Daneshfar A., Barazesh B., Comparison of Silver and Palladium Nanoparticles Loaded on Activated Carbon for Efficient Removal of Methylene Blue: Kinetic and Isotherm Study of Removal Process, Powder Tech., 228: 18-25 (2012).

[16] Ghaedi M., Ghaedi A. M., Ansari A., Mohammadi F., Vafaei A., Artificial Neural Network and Particle Swarm Optimization for Removal of Methyl Orange by Gold Nanoparticles Loaded on Activated Carbon and Tamarisk, Spectrochim. Acta Mol. Biomol. Spectrosc., 132:639-654 (2014).

[17] Roosta M., Ghaedi M., Daneshfar A., Sahraei R., Asghari A., Optimization of the Ultrasonic Assisted Removal of Methylene Blue by Gold Nanoparticles Loaded on Activated Carbon Using Experimental Design Methodology, Ultrason. Sonochem., 21:242-252 (2014).

[18] Papari M. M., Yousefi F., Moghadasi J., Karimi H., Campo A., Modeling Thermal Conductivity Augmentation of Nanofluids Using Diffusion Neural Networks Campo, Int. J. Therm. Sci., 50:44-52(2011).

[19] Yousefi F., Mohammadiyan S., Karimi H., Viscosity of Carbon Nanotube Suspension Using Artificial Neural Networks with Principal Component Analysis, Heat Mass Transfer, 51: 47-51 (2015) .

[21] Box GEP., Wilson KB., On the Experimental Attainment of Optimum Conditions, J. R. Stat. Soc. B, 13: 1–45 (1951).

[23] De Boer J.H., 50 Endothermic Chemisorption and Catalysis, Adv. Catal., 9: 472-480 (1957).