مدل‌سازی حذف سفیکسیم به روش فنتون با شبکه عصبی مصنوعی

هدف از این پژوهش‌، مدل‌سازی راندمان حذف سفیکسیم به روش فنتون و با استفاده از شبکه عصبی است. ﺷﺒﮑﻪﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺗﻮاﻧﺎﯾﯽ ﺑﺎﻻیی در ﭘﯿﺶﺑﯿﻨﯽ نتیجه‌های ﺗﺠﺮﺑﯽ دارد. در این مدل‌سازی مقدار هیدروژن پراکسید، کاتالیست  آهن، مدت زمان حذف سفیکسیم، غلظت اولیه سفیکسیم وph  پارامترهای ورودیﻫﺎی ﺳﯿﺴﺘﻢ و درﺻﺪ حذف سفیکسیم به ﻋﻨﻮان ﺧﺮوﺟﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه است. ﺷﺎﺧﺺﻫﺎی ﻋﻤﻠﮑﺮد شامل: مجموع مربع‌های خطا (sse)، جذر متوسط مربع‌های خطا (rmse)، ضریب تعیین تعدیل شده ( r2adj) و ضریب تعیین r2  در تعیین تعداد نرون های بهینه میانی به‌کار رفته است. با توجه به نتیجه‌های به دست آمده، مدل شبکه عصبی توانست بازده جذب را با تابع انتقال تانژانت سیگموییدی در لایه پنهان و تابع انتقال محرک خطی در لایه خروجی پیش‌بینی کند.  همچنین نتیجه‌های مدل‌سازی شبکه عصبی با  اﻟﮕﻮرﯾﺘﻢ ﻟﻮﻧﺒﺮگ-ﻣﺎرﮐﻮآرت نشان داد که شبکه با چیدمان  1-13-5 (5 نرون در لایه ورودی،13 نرون در لایه پنهان و 1 نرون در لایه خروجی) بهترین نتیجه را در پیش‌بینی خروجی و ﺣﺪاﻗﻞ ﺧﻄﺎ دارا می‌باشد. ضریب همبستگی ﻣﺪل ﻣﺮﺑﻮط ﺑﻪ ﻗﺴﻤﺖهای آﻣﻮزش، اﻋﺘﺒﺎرسنجی و ﺗﺴﺖ ﺑﻪ ﺗرتیب 0.99436، 0.99993 و 0.96901 به‌دست آمد که این نتیجه‌ها حاکی از دﻗﺖ زیاد روش ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﭘﯿﺶﺑﯿﻨﯽ دادهﻫﺎی آزمایشگاهی حذف سفیکسیم از محلول آبی است. برای پیش‌بینی روند تغییرها از ابزار شبکه عصبی در نرم افزار matlab استفاده شده است.

modeling of remove cefixime by fenton method with artificial neural network

the aim of this study was to model the removal efficiency of cefixime by the fenton method using a neural network. this model predicts experimental results well. in this model, the amount of hydrogen peroxide, iron catalyst, cefixime removal time, initial concentration of cefixime, and ph are the input parameters. the output variable is the removal percentage of cefixime. total error squares (sse), mean the square root of error (rmse), adjusted coefficient of determination (r2adj), and coefficient of determination   in determining the number of optimal neurons in the middle of the performance index. according to the obtained results, the neural network model was able to predict the absorption efficiency with the sigmoid tangent transfer function in the hidden layer and the linear stimulus transfer function in the output layer. also, the results of modeling the neural network with org-art showed that the grid with a 1-13-5 arrangement (5 neurons in the input layer, 13 neurons in the hidden layer, and 1 neuron in the output layer) had the best result in predicting the output. the correlation coefficients of all the levels of training, validation, and test 0.3 were 0.99436, 0.9993, and 0.96901, respectively. to predict the trend of changes, neural network tools have been used in matlab software.