صفحه اصلی فهرست مقالات مشخصات مقاله
نشریه شیمی و مهندسی شیمی ایران
شماره‌های پیشین نشریه
دوره دوره 37 (1397)
دوره دوره 36 (1396)
دوره دوره 35 (1395)
دوره دوره 34 (1394)
دوره دوره 33 (1393)
دوره دوره 32 (1392)
دوره دوره 31 (1391)
دوره دوره 30 (1390)
شکرکار, هانیه, ابراهیمی, سیروس, زمانی, مهدی. (1396). بررسی تجربی و مدل سازی هیدرولیز آنزیمی ریز جلبک به منظور تولید اتانول با استفاده از شبکه عصبی. نشریه شیمی و مهندسی شیمی ایران, 36(2), 181-191.
هانیه شکرکار; سیروس ابراهیمی; مهدی زمانی. "بررسی تجربی و مدل سازی هیدرولیز آنزیمی ریز جلبک به منظور تولید اتانول با استفاده از شبکه عصبی". نشریه شیمی و مهندسی شیمی ایران, 36, 2, 1396, 181-191.
شکرکار, هانیه, ابراهیمی, سیروس, زمانی, مهدی. (1396). 'بررسی تجربی و مدل سازی هیدرولیز آنزیمی ریز جلبک به منظور تولید اتانول با استفاده از شبکه عصبی', نشریه شیمی و مهندسی شیمی ایران, 36(2), pp. 181-191.
شکرکار, هانیه, ابراهیمی, سیروس, زمانی, مهدی. بررسی تجربی و مدل سازی هیدرولیز آنزیمی ریز جلبک به منظور تولید اتانول با استفاده از شبکه عصبی. نشریه شیمی و مهندسی شیمی ایران, 1396; 36(2): 181-191.

بررسی تجربی و مدل سازی هیدرولیز آنزیمی ریز جلبک به منظور تولید اتانول با استفاده از شبکه عصبی

مقاله 15، دوره 36، شماره 2 - شماره پیاپی 84، تابستان 1396، صفحه 181-191  XML اصل مقاله (78.09 K)
نوع مقاله: علمی-پژوهشی
نویسندگان
هانیه شکرکار؛ سیروس ابراهیمی email ؛ مهدی زمانی
مرکز تحقیقات بیوتکنولوژی، دانشکده مهندسی شیمی، دانشگاه صنعتی سهند تبریز، تبریز، ایران
چکیده
برخی از مشخصه­ های کلیدی همچون نرخ رشد بالا، وابستگی نداشتن به زمین­ های مساعد برای کشاورزی و آب­ های قابل شرب و ذخیره­ ی مقدارهای بالایی از کربوهیدرات­ها، ریزجلبک­ ها را به‌عنوان یکی از نوید بخش­ ترین منابع اولیه تولید اتانول زیستی معرفی کرده است. در این پژوهش ابتدا کشت گونه­ های گوناگون و نامعین ریز جلبک در راکتورهای زیستی نوری صفحه­ ای تخت انجام شد. سپس راهبرد قحطی نیتروژن برای تحریک تجمع کربوهیدرات­ها در ریز جلبک به­ کار گرفته­ شده است. بعد از برداشت ریز جلبک، برای استخراج قندهای موجود در زیست توده از فرایند هیدرولیز آنزیمی استفاده شد. مقدار غلظت قندهای کاهیده استخراج شده از ریز جلبک در فرایند هیدرولیز در چهار غلظت گوناگون سوبسترا و سه دما در طول زمان اندازه گیری شد. برای مدل ­سازی فرایند توسط شبکه عصبی از نرم افزار متلب استفاده شد. دما، غلظت اولیه سوبسترا و مدت زمان هیدرولیز به عنوان ورودی­ ها و غلظت قندهای کاهیده  به­ عنوان خروجی شبکه عصبی در نظر گرفته شدند. بر اساس نتیجه ­های به­ دست آمده، در حالتی که70 درصد داده ­ها برای آموزش شبکه استفاده شده و تعداد ۸ نورون در لایه پنهان قرار گرفت، تطابق مناسبی بین نتیجه­ های تجربی و مدل ­سازی وجود داشته و کم­ترین میانگین مربع خطاها (MSE) به­ دست آورده شد.
کلیدواژه‌ها
اتانول زیستی؛ ریز جلبک؛ هیدرولیز آنزیمی؛ مدل‌سازی؛ شبکه عصبی
موضوعات
انرژی، انتقال حرارت؛ زیست فناوری؛ طراحی فرایند، شبیه سازی و کنترل
مراجع

[۱] گلزاری، ابوعلی؛ عبدلی، محمد علی؛ خدادادی، عباسعلی؛ کرباسی، عبدالرضا؛ ایمانیان، سجاد؛ بررسی فرایندهای انعقاد الکتریکی و شیمیایی برای جداسازی میکروجلبک­های آب شور، نشریه شیمی و مهندسی شیمی ایران، (۱)۳۵: 39 تا 52 (۱۳۹۵).

[۲] احمدی اسبچین، سلمان؛ پور بابایی ،احمد علی؛ آندوره، ایو ؛ بررسی فرایند جذب زیستی همزمان دو فلز روی/نیکل به وسیله جلبک قهوه ای فوکوس سراتوس. نشریه شیمی و مهندسی شیمی ایران، (۱)۳۲: 85 تا 92 (۱۳۹۲).

[3] Markou G., Angelidaki I., Georgakakis D., Microalgal Carbohydrates: an Overview of the Factors Influencing Carbohydrates Production, and of Main Bioconversion Technologies for Production of Biofuels, Applied Microbiology and Biotechnology, 96: 631-645 (2012).

[4] Chen C-Y., Zhao X-Q., Yen H-W., Ho S-H., Cheng C-L., Lee D-J., Bai FW, Chang JS., Microalgae-Based Carbohydrates for Biofuel Production, Biochemical Engineering Journal, 78:1-10  (2013).

[5] Mata T.M., Martins A.A., Caetano N.S., Microalgae for Biodiesel Production and other Applications: A Review, Renewable and Sustainable Energy Reviews, 14:217- 232 (2010).

[6] Ahadian S., Moradian S., Sharif F., Amani Tehran M., Mohseni M., Prediction of Time of Capillary Rise in Porous Media Using Artificial Neural Network (ANN)., Iranian Journal of Chemistry and Chemical Engineering (IJCCE) 26(1):71-83 (2007).

[7] Ameri F., Moradian S., Amani Tehran M., Faez K., The use of Fundamental Color Stimulus to Improve the Performance of Artificial Neural Network Color Match Prediction Systems, Iranian Journal of Chemistry and Chemical Engineering (IJCCE), 24(4): 53-61 (2005).

[8] Fu R-Q., Xu T-W., Pan Z-X., Modelling of the Adsorption of Bovine Serum Albumin on Porous Polyethylene Membrane by Back-Propagation Artificial Neural Network, Journal of Membrane Science, 251:137-144 (2005).

[9] Ahadian S., Moradian S., Mohseni M., Amani Tehran M., Sharif F., Determination of Surface Tension and Viscosity of Liquids by the Aid of the Capillary Rise Procedure Using Artificial Neural Network (ANN), Iranian Journal of Chemistry and Chemical Engineering (IJCCE), 27(1):7-15 (2008).

[10] Chang C-W., Yu W-C., Chen W-J., Chang R-F., Kao W-S., A Study on the Enzymatic Hydrolysis of Steam Exploded Napiergrass with Alkaline Treatment Using Artificial Neural Networks and Regression Analysis, Journal of the Taiwan Institute of Chemical Engineers, 42: 889- 894 (2011).

[11] Nikzad M., Movagharnejad K., Talebnia F., Comparative Study between Neural Network Model and Mathematical Models for Prediction of Glucose Concentration During Enzymatic Hydrolysis, International Journal of Computer Applications, 56(1):  43-48(2012).

[12] Jaya E.M.J., Norhalim N.A., Ahmad Z., Artificial Neural Network Model Prediction of Glucose by Enzymatic Hydrolysis of Rice Straw, Journal of Engineering Science, 10: 85-94 (2014).

[13] Cataldo D., Maroon M., Schrader L., Youngs V., Rapid Colorimetric Determination of Nitrate in Plant Tissue by Nitration of Salicylic Acid 1, Communications in Soil Science & Plant Analysis, 6: 71-80 (1975).

[14] Hedge J., Hofreiter B., Methods of Estimating Starch and Carbohydrates, Carbohydrate Chemistry, 17:163-201 (1962).

[15] Miller G.L., Use of Dinitrosalicylic Acid Reagent for Determination of Reducing Sugar, Analytical Chemistry, 31:426-428 (1959).

[16] Shokrkar H., Salahi A., Kasiri N., Mohammadi T., Mullite Ceramic Membranes for Industrial Oily Wastewater Treatment: Experimental and Neural Network Modeling, Water Science & Technology, 64: 670-676 (2011).

[17] Yao C., Ai J., Cao X., Xue S., Zhang W., Enhancing Starch Production of a Marine Green Microalga Tetraselmis Subcordiformis Through Nutrient Limitation, Bioresource Technology, 118: 438-444 (2012).

[18] Brányiková I., Maršálková B., Doucha J., Brányik T., Bišová K., Zachleder V., Vítová M., Microalgae—Novel Highly Efficient Starch Producers, Biotechnology and Bioengineering, 108: 766- 776 (2011).

[19] Harun R., Danquah M.K., Enzymatic Hydrolysis of Microalgal Biomass for Bioethanol Production, Chemical Engineering Journal, 168:1079- 1084  (2011).

[20] Khataee A., Mirzajani O., UV/Peroxydisulfate Oxidation of CI Basic Blue 3: Modeling of Key Factors by Artificial Neural Network, Desalination, 251:64- 69 (2010).

[21] Aghaeinejad-Meybodi A., Ebadi A., Shafiei S., Khataee A., Rostampour M., Modeling and Optimization of Antidepressant Drug Fluoxetine Removal in Aqueous Media by ozone/H2O2 Process: Comparison of Central Composite Design and Artificial Neural Network Approaches, Journal of the Taiwan Institute of Chemical Engineers; 48:40-48 (2015).

آمار
تعداد مشاهده مقاله: 226
تعداد دریافت فایل اصل مقاله: 191