|
|
|
|
استفاده از شبکه عصبی مصنوعی به منظور مدلسازی فرایند بیولیچینگ فلزات با ارزش از خاکستر سوخت نفت کوره با استفاده از باکتری اسیدی تیوباسیلوس فرواکسیدانس
|
|
|
|
|
|
|
|
نویسنده
|
رستگار امید ,بیگزاده رضا
|
|
منبع
|
مهندسي معدن - 1399 - دوره : 15 - شماره : 47 - صفحه:68 -75
|
|
چکیده
|
در این مطالعه مدلسازی بیولیچینگ فلزات باارزش وانادیوم، نیکل و مس موجود در خاکسترهای سوخت نفتکوره با استفاده شبکههای عصبی مصنوعی بررسی میشود. در مدلهای بهدستآمده، درصد استخراج فلزات بهعنوان تابعی از فاکتورهای ph (در بازه 1-2.5)، غلظت اولیه یون fe2+ (در بازه 0-9 گرم بر لیتر)، درصد تلقیح باکتری (در بازه 1-10 %) و زمان (در بازه 0-15 روز) فرایند مورد بررسی قرارگرفته است. سه مدل شبکه عصبی برای تخمین درصد استخراج هریک از فلزات ارائه شد. از روش پس انتشار خطا و الگوریتم لونبرگمارکورت برای آموزش شبکه استفاده شد. یکچهارم دادهها در فرایند آموزش شبکه عصبی استفاده نشد و برای ارزیابی مدل مورد استفاده قرار گرفت. متوسط خطای نسبی (mre) برای وانادیوم، نیکل و مس به ترتیب برابر با % 5.35، % 3.07 و % 2.82 به دست آمد. همچنین مقدار بزرگتر از 0.99 از کسر مطلق واریانس (r2) بیانگر تائید اعتبار مدلهای به دست آمده از شبکه عصبی میباشد.
|
|
کلیدواژه
|
مدلسازی، بیولیچینگ، شبکههای عصبی، خاکستر نفتکوره
|
|
آدرس
|
دانشگاه کردستان, دانشکده مهندسی, گروه مهندسی شیمی, ایران, دانشگاه کردستان, دانشکده مهندسی, گروه مهندسی شیمی, ایران
|
|
پست الکترونیکی
|
r.beigzadeh@uok.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Using Artificial Neural Network to modeling of valuable metals bioleaching from fuel oil fly ash using Acidithiobacillus ferrooxidans
|
|
|
|
|
Authors
|
Rastegar Seyed Omid ,Beigzadeh Reza
|
|
Abstract
|
In this study, the modeling of vanadium, nickel and copper bioleaching from fuel oil ash ash using artificial neural networks was investigated. In the obtained models, the extraction percentage of metals was investigated as a function of factors such as initial pH (from 12.5), initial Fe2+ concentration (from 0 – 9 g/l), initial bacterial inoculation (from 1 – 10%) and process time (from 015 day). Three neural network models were presented to estimate the extraction percentage of metals. The propagation error method and Levenberg–Marquardt algorithm were used for training. Furthermore, trial and error method was used to determine the optimal number of neurons. One quarter of the data were used to evaluate the model and were not used for training process. The Mean Relative Errors (MRE) were obtained 5.35%, 3.07% and 2.82% for V, Ni and Cu, respectively. Also the higher 0.99 of R2 indicates the validity of the obtained models.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|