حذف کدورت از آب با استفاده از گرافن اکساید به‌عنوان ماده منعقد کننده و مدل‌سازی با شبکه عصبی مصنوعی

زمینه و هدف: در سال های اخیر، کاربردهای نانومواد با پایه کربنی در عرصه های مختلف نظیر صنعت آب و فاضلاب توسعه یافته است. یکی از این ترکیبات، گرافن اکساید (go) است که به دلیل دارا بودن ساختار ورقه ای با سطح ویژه بالا و گروه های سطحی متنوع، توجه زیادی را به خود جلب نموده است. در این راستا، هدف اصلی از انجام پژوهش حاضر، بررسی ویژگی های انعقادی گرافن اکساید در حذف کدورت از آب و مدل سازی فرایند با استفاده از شبکه عصبی مصنوعی (ann) می باشد.روش بررسی: نمونه های کدورت با استفاده از خاک باغچه و آب شهری تهیه و نمونه go به صورت سوسپانسیون غلیظ خریداری گردید. آزمایش های جارتست برای بررسی تاثیر ph، غلظت go، کدورت اولیه، زمان ته نشینی و سایر پارامترها بر بازدهی حذف کدورت، انجام شد. به منظور شبیه سازی فرایند، از شبکه عصبی مصنوعی پرسپترون استفاده شد.یافته ها: تحت شرایط ph اسیدی و نیز  با افزایش غلظت go از 2/5 تا40 میلی گرم بر لیتر، بازدهی حذف کدورت افزایش یافت. اما تغییرات کدورت اولیه اثر مشخص و مستقلی بر بازدهی فرایند نداشت. بخش عمده حذف کدورت در 10 دقیقه ابتدای ته نشینی رخ داد و سرعت ته نشینی لخته ها با افزایش غلظت go و کاهش ph به شدت افزایش یافت. در مدل‌سازی با ann، مقادیر ضریب تعیین (r2) و ضریب همبستگی (r) میان مقادیر واقعی و مقادیر پیش بینی شده حذف کدورت برای داده های آزمون به ترتیب برابر با 0/9492 و  0/9740 به دست آمد که نشان دهنده کارایی خوب مدل بود.بحث و نتیجه گیری: نانو ماده گرافن اکساید کارایی بالایی در حذف کدورت از آب نشان داد. پارامترهای ph و غلظت منعقد کننده، به عنوان مهمترین پارامترهای کنترل کننده فرآیند تشخیص داده شد. مدل داده کاوی شبکه عصبی از عملکرد خوبی برای پیش بینی بازدهی حذف کدورت با استفاده از گرافن اکساید برخوردار بود.

Turbidity Removal from Water Using Graphene Oxide as Coagulant and Modeling with Artificial Neural Network

Background and Objective: In recent years, applications of carbonbased nanomaterials have been developed in various fields such as water and wastewater industry. One of these compounds is graphene oxide (GO), which has attracted a lot of attention due to its high specific surface twodimensional structure and various surface groups. In this regard, the main purpose of this study is to investigate the coagulation properties of graphene oxide in removing turbidity from water and modeling the process using artificial neural network (ANN). Material and Methodology: The samples were prepared by using garden soil and tap water and the GO was purchased in the form of suspension. Jar tests were performed to assess the influence of pH, GO dosage, initial turbidity, settling time and other parameters on the turbidity removal efficiency. In order to simulate the process, Perceptron neural network was used. Findings: Under acidic pH conditions and with increasing the GO dosage from 2.5 mg/L to 40 mg/L, the removal efficiency increased considerably. However, the initial turbidity did not show a clear effect on the process performance. Much of the turbidity removal occurred within the first 10 minutes of the settling time and the flocs’ exhibited higher settling rates at higher GO dosages and acidic pH condition. According to the results obtained from the created ANN model, the coefficient of determination (R2) and the correlation coefficient (R) between the observed and predicted values of the test data were 0.9492 and 0.974, respectively, which reveal the model’s high capability in predicting the process results. Discussion and Conclusion: GO showed high capability in turbidity removal from water. The pH and GO dosage were recognized as the process controller parameters. The ANN data mining model showed good performance in predicting process efficiency.