کارایی شبکه عصبی مصنوعی در مدل سازی فرایند جذب یون سیانید از محلول آبی توسط نانوجاذب zno@mof-199

سیانید به عنوان محصول جانبی درپساب صنایع مختلفی وجود دارد که تصفیه آن قبل از ورود به محیط زیست الزامی است. سیانید را می توان با روش های مختلف فیزیکی، شیمیایی و بیولوژیکی از آب و پساب های صنعتی حذف کرد، اما اغلب این روش ها هزینه بر هستند. هدف از این مطالعه، بررسی کارایی شبکه عصبی مصنوعی ((ann برای پیش بینی حذف یون سیانید موجود در محلول های آبی توسط نانو جاذبzno@mof-199 است. از نتایج آزمایشگاهی بدست آمده از پارامترهای مهم و تاثیر گذار بر فرایند حذف سیانید، شامل ph در محدوده (5 تا 9)، زمان تماس در محدوده (30-90 دقیقه) و دما در محدوده (25تا 45) درجه سانتی گراد برای مدل سازی شبکه های عصبی مصنوعی پسا انتشار خطا – لونبرگ مارکوارت (bp-lm) استفاده شد. در شبکه مذکور، پارامترهای ورودی از قبیل ph ، دما، زمان تماس، وزن جاذب و حجم نمونه به عنوان داده های ورودی و راندمان حذف سیانید به عنوان داده خروجی در نظر گرفته شد . برای مقایسه مدل های مختلف تدوین شده توسط شبکه عصبی مصنوعی از معیارهای آماری ضریب همبستگی و مجموع میانگین مربعات خطا استفاده شد. نتایج حاصل برای ضریب همبستگی و مجموع مربعات خطا با داشتن مقادیر 0.985 و0.65، بیانگر پیش بینی موفق شبکه در مدل سازی و کارایی شبکه عصبی مصنوعی در پیش بینی حذف یون سیانید از محلول می باشد.

evaluation of effectiveness of the artificial neural network for modeling the cyanide ions adsorption from aqueous solution using zno@mof-199 nanoadsorbent

cyanide is a by-product of various industrial chemical processes found in industrial effluents which must be treated before it is discharged into the environment. industrial effluents containing cyanide is treated through different methods including physical, chemical and biological processes which are often too expensive.the aim of this study is to evaluate the application of artificial neural network (ann) in predicting the removal efficiency of cyanide ions from aqueous solutions by zno@mof-199 nano-adsorbent. the research data was collected based on laboratorial study of important parameters involved in the levenberg-marquardt back-propagation artificial neural network model (bp-lm) for prediction of cyanide removal efficiency including ph range from 5 to 9, contact time of 30 to 90 minutes and temperature range from 25 to 45 ºc.parameters such as ph, temperature, contact time, adsorbent weight and sample volume were considered as input and cyanide removal efficiency as output data. in the comparison of different models, statistical criteria of correlation coefficient and sum of squared errors (sse) were applied.the obtained results, 0.985 for the correlation coefficient and 0.65 for the sum of squared errors, indicate a successful prediction of the network in modeling as well as the efficiency of neural network in predicting the removal efficiency of cyanide ions from the solution.